1. 簡述
記得，在上面向對象程序設計的課中，就學過有限狀態機，後來上編譯原理的時候，接着有限狀態機，直到研一的形式語言自動機中，還是有限狀態機。貌似有一個很列害的ERP中的核心解決方法也是狀態機。不過給我印象最深的還是本科做的百項工程時，使用有限狀態機實現無線模塊的自動組網與通信，狀態機說簡單吧，確實挺簡單，尤其是實際用的時候，但是想用好吧，也不輕鬆，狀態機的實現是很簡單，但是狀態機得設計是要花一些心思的。
這一章主要是通過兩個例子，來說明狀態機在遊戲中的使用，下面分別簡單說一下其中一個例子。第二個例子主要是代碼較多，沒有太多的不同，具體想實現狀態機的時候，參考一下更有價值。
2. 有限狀態機
計算機控制鬼怪，有三種可能的狀態：遊走（roam）、閃躲（evade）以及追逐（chase），初始狀態是“遊走”。三個轉化行爲：當玩家吃了大力丸時，觸發“我已變爲藍色”，當鬼怪看到玩家時，觸發“看到了玩家”，當鬼怪看不到玩家時，觸發“看不到玩家”。狀態轉化如圖：
相關的程序代碼：
switch(currentState) {
case kRoam:
if (imBlue==true) currentState=kEvade;
else if(canSeePlayer==true) currentState=kChase;
else if(canSeePlayer==false) currentState=kRoam;
case kChase:
if(imBlue==true) currentState=kEvade;
else if(canSeePlayer==false) currentState=kRoam;
else if(canSeePlayer==true) currentState=kChase;
case kEvade:
if(imBlue==true) currentState=kEvade;
else if(canSeePlayer==true) currentState=kChase;
else if(canSeePlayer==false) currentState=kRoam;
}
其實，三個case裏面，代碼都是一樣的，只要保證imBlue先判斷就行了，後面就是判斷canSeePlayer了。當然這個代碼不是最高效的，但是比較直觀，容易展示。
個人感覺，一般優先狀態機主要把握兩個部分，第一部分就是在一個循環中，根據狀態機做一些事情，第二個就是，做事的過程中，由於發生了一些情況，導致狀態改變了，從而影響到了前面循環的過程。
3、人工神經網絡
人工神經網絡（artificial neural network，縮寫ANN），簡稱神經網絡（neural network，縮寫NN），是一種模仿生物神經網絡的結構和功能的數學模型或計算模型。神經網絡由大量的人工神經元聯結進行計算。大多數情況下人工神經網絡能在外界信息的基礎上改變內部結構，是一種自適應系統。現代神經網絡是一種非線性統計性數據建模工具，常用來對輸入和輸出間複雜的關係進行建模，或用來探索數據的模式。
維基百科的解釋：
神經元示意圖：
- a1~an爲輸入向量的各個分量
- w1~wn爲神經元各個突觸的權值
- b爲偏置
- f爲傳遞函數，通常爲非線性函數。一般有traingd(),tansig(),hardlim()。以下默認爲hardlim()
- t爲神經元輸出
數學表示 
![\vec{W}]()
爲權向量![\vec{A}]()
爲輸入向量，![\vec{A'}]()
爲![\vec{A}]()
的轉置![b]()
爲偏置![f]()
爲傳遞函數（激活函數，閾值邏輯單元）
爲權向量
爲輸入向量，
爲
爲偏置
可見，一個神經元的功能是求得輸入向量與權向量的內積後，經一個非線性傳遞函數得到一個標量結果。
單個神經元的作用：把一個n維向量空間用一個超平面分割成兩部分（稱之爲判斷邊界），給定一個輸入向量，神經元可以判斷出這個向量位於超平面的哪一邊。
該超平面的方程:
![\vec{W}]()
權向量![b]()
偏置![\vec{p}]()
超平面上的向量
超平面上的向量人工神經網絡的優點：
（1）它不需要吧實際問題的內部結構搞明白，甚至不需要針對不同的問題採用不同的方法，只需要關心繫統外部的輸入和輸出關係；他可以觀察學習實際問題的輸入和輸出關係。（訓練調整優化權值，是的神經網絡的輸入輸出行爲和實際問題的例子相吻合）；
（2）有神經網絡形成的行爲系統往往不是死的，是可以通過不斷的學習訓練來動態的調整，去適應新的情況；具有學習和自適應能力。而FSM（有限狀態機）和FuSM（模糊狀態機）對此無能爲力。
人工神經網絡的缺點：
（1）選擇合適恰當的輸入和輸出變量十分困難；
（2）訓練過程。神經網絡的訓練過程需要遊戲高手，一般是遊戲設計師，來充當師傅的角色，費事費力（監督式學習）；雖然神經網絡實際上可以不需要老師來教，可以自行摸索學習，但效果一般沒有保證。
（3）無論訓練的多麼好的神經網絡，都有可能出現不可解釋不可理喻的行爲。因爲它終究爲遇到從未遇到的新情況。由於神經網絡是個黑匣子，無法分析其內部邏輯關係，出現問題很難找到原因。但是FSM和FuSM可以。
