我努力实现一个好的追逐者。我有一个需要追逐冰球的曲棍球运动员。我可以预测下一个球员和冰球位置。我试图使用转向行为，但未能找到冰球靠近的情况下的良好预测器（想象一下例如冰球几乎以高速向头部方向移动。当冰球稍微离开时，玩家只需转角一点然而，当冰球越来越近而且它只是错过了球员时，最后两到三个刻度，球员需要转动更大的角度才能看到冰球。当转向角度有限时，冰球逃跑并且玩家无法做任何事情。如果它开始转动，那就没关系，但是当我预测更多的步数时，玩家倾向于开始转向远远落后于他的冰球位置......）。然后我打算用*搜索。当冰球在前方并且冰球速度低于球员的速度时，效果很好。然而，当冰球速度更大时，它就成了一个逃避目标。因此，每当a *扩展一个新状态时，它往往会回顾并发现在之前的状态中，冰球更靠近玩家（冰球逃脱！），所以它更喜欢先前的状态并成为bfs。 所以我猜这是一个众所周知的解决方案，但我没有谷歌任何东西，所以也许社区会帮助我。提前谢谢！
更新：所以基本上我认为我重新发明了轮子。我现在正在做的是我在冰球位置上进行迭代。当我点击可以使用相同数量的刻度到达的第一个位置时，我宣布胜利。这是非常昂贵的资源，但我无法想出更好的东西。
答案 0 :(得分：1)
关于行为的部分目前很难理解但关于A*问题我认为你的问题是因为你的代理人（玩家）在动态环境中运作你必须重新计算启发式每个扩展步骤，因为当然，自从冰球移动以来，前端状态的h值已经过时。我有没有明白你的问题是什么？
好奇心，你使用什么样的启发式？