游戏底层逻辑，运动&&寻路（五）

终于要开始激动人心的Flocking集群行为了，不过在讨论集群行为之前，我们要先来探讨一些很有意思的哲学逻辑。

Emergent Behaviors涌现行为

这里先安利一本神作《失控》，看了这本书，我相信对整个人工智能，社会学，人类学和分布式理论都会有极大地认知提高。

我们先讲一讲蜂巢现象：

一群蜜蜂，他们并没有中枢参与控制，蜜蜂仅仅能做一些基本行为，例如：四处乱飞，找到视野里的花朵，接收一定范围内其他蜜蜂留下的信息素。
但是我们最后看到的却是：一群蜜蜂在空中跳舞（据说能告诉其他蜜蜂花朵的方向），然后蜜蜂找到了很大范围内的所有花朵，并一起完成了很多复杂的行为。

我们再来举个栗子：

在演唱会或者足球场上我们可能会看到“人浪”行为，人浪没有组织者，人们只是看到上附近人的行为，但你远处看到的确实很完美的浪潮。

涌现讲的是这样一种情况：在一个复杂系统中，我们不用进行中枢控制，每个基本的单元拥有基本功能，就能产生出很复杂且强大的集群现象。

• 涌现行为不受个体影响，就是说某些个体的错误不会影响系统的最终结果，这一点和精确控制，一环接一环的中心化系统有很大差异性。

• 涌现现象具有不可预测性，所以唯一的研究方法就是模拟，有很多科学实验证明了只需要模拟个体的基本行为，就可以模拟整个集群的系统行为。

我们在探讨集群算法时，也只会关注个体行为的模拟，不会对整个群体进行中枢控制。

Element个体行为

12、Separation保持一定距离

该行为是这样一种规则：
- 在一定范围内（我们认为是视野范围），个体会尽量与neighbor邻居保持远离状态。
由于有很多邻居，所以该控制力是一个平均力：

Vec2 SteeringBehaviors::separation(const std::vector<Vehicle*> neighbors){    Vec2 steeringForce = Point::ZERO;    for_each(neighbors.cbegin(), neighbors.cend(), [this,&steeringForce](Vehicle* neighbor){        if (neighbor != _evadingTarget)        {            Vec2 awayFromNeighbor = _ownerVehicle->position() - neighbor->position();            /*steeringForce += awayFromNeighbor.getNormalized() / awayFromNeighbor.getLength()*normalSeparationForce;*/            steeringForce += awayFromNeighbor / awayFromNeighbor.getLengthSq()*normalSeparationForce;        }    });    return steeringForce;}

很简单是吧，没错，集群行为就是要简单的个体。

13、Alignment保持相同方向

之前是返回平均斥力，这次是平均方向：

Vec2 SteeringBehaviors::alignment(const std::vector<Vehicle*> neighbors){    Vec2 averageHeading = Vec2::ZERO;    for_each(neighbors.cbegin(), neighbors.cend(), [this,&averageHeading](Vehicle* neighbor){        if (neighbor != _evadingTarget)        {            averageHeading += neighbor->heading();        }    });    if (neighbors.size() != 0)    {        averageHeading = averageHeading / (double)neighbors.size();    }    return (averageHeading - _ownerVehicle->heading());}

14、Cohesion聚集

这次是返回平均吸引力：

Vec2 SteeringBehaviors::cohesion(const std::vector<Vehicle*> neighbors){    //we could consider the weight each neighbor owned    Vec2 averagePosition;    for_each(neighbors.cbegin(), neighbors.cend(), [this, &averagePosition](Vehicle* neighbor){        if (neighbor != _evadingTarget)        {            averagePosition += neighbor->position();        }    });    if (neighbors.size() != 0)    {        averagePosition = averagePosition / (double)neighbors.size();    }    return seek(averagePosition);}

注意，此处的平均并非是对所有物体的中枢控制，而是个体在视野范围内对自我位置的判断，就像我们人类能判断一处挤满人的操场上哪里有空位一样。

集群行为非常简单，但是组合起来却非常有意思，复杂，且逼真，你还可以模拟一些其他的基本行为，来实现其他的复杂系统，我们下一次再来将组合行为。

---

准备写一个有关游戏底层算法，物理算法，以及AI（重点是机器学习在游戏中的应用）的长篇博客，欢迎大家指正交流╰(￣▽￣)╯