AI漫游行为优化：实现加权回归起始点机制

import com.badlogic.gdx.math.Vector2; // 假设使用LibGDX的Vector2
// 假设SimplexNoise和AngVecTools是已有的工具类
// AngVecTools.angleToVect(angle) 将角度转换为单位向量
// SimplexNoise.noise(x, y) 生成Perlin噪声值

public class WeightedWanderAI {
    private Vector2 spawnPoint; // AI的起始生成点
    private Vector2 currentPosition; // AI当前位置
    private float perlinPos; // Perlin噪声的采样位置，随时间或步进更新
    private float wanderPower = 1.0f; // 漫游力的强度
    private float inc = 0.01f; // Perlin噪声采样步进
    private float startAngle = 0.0f; // 初始角度偏移

    public WeightedWanderAI(Vector2 spawnPoint, Vector2 initialPosition) {
        this.spawnPoint = spawnPoint;
        this.currentPosition = initialPosition;
        this.perlinPos = 0.0f; // 初始化Perlin噪声采样位置
    }

    /**
     * 计算带有回归偏向的漫游力。
     * @return 修正后的漫游力向量。
     */
    public Vector2 calculateWeightedWanderForce() {
        // 1. 生成原始Perlin噪声漫游力
        perlinPos += inc;
        float rawWanderAngle = (float) (SimplexNoise.noise(perlinPos, 100.213) * wanderPower) + startAngle;
        Vector2 rawWanderForce = AngVecTools.angleToVect(rawWanderAngle);

        // 2. 计算与起始点的距离和指向起始点的向量
        Vector2 toSpawnVector = spawnPoint.cpy().sub(currentPosition);
        float distToSpawn = toSpawnVector.len();

        // 3. 定义一个距离阈值和回归强度参数
        float returnRadius = 50.0f; // AI开始有回归倾向的距离
        float maxReturnInfluence = 0.8f; // 最大回归影响，例如，将回归力占总力的比例

        // 4. 根据距离计算回归权重
        float returnWeight = 0.0f;
        if (distToSpawn > returnRadius) {
            // 距离越远，回归权重越高，线性增长
            // 假设在 returnRadius * 2 处达到最大权重1
            returnWeight = Math.min(1.0f, (distToSpawn - returnRadius) / returnRadius);
        }

        // 5. 应用回归偏向：引入一个指向起始点的额外力
        Vector2 normalizedToSpawn = toSpawnVector.nor(); // 指向起始点的单位向量
        // 回归力强度与漫游力强度、回归权重和最大回归影响相关
        Vector2 returnForce = normalizedToSpawn.scl(returnWeight * wanderPower * maxReturnInfluence);

        // 6. 结合原始漫游力与回归力
        // 可以直接相加，或者根据距离动态调整原始漫游力的贡献
        Vector2 finalWanderForce = rawWanderForce.add(returnForce);

        return finalWanderForce;
    }

    // 假设AI的更新方法会调用calculateWeightedWanderForce
    public void update(float deltaTime) {
        Vector2 force = calculateWeightedWanderForce();
        // 应用力到AI的物理系统，更新currentPosition
        // 例如：currentPosition.add(force.scl(deltaTime));
    }
}

import com.badlogic.gdx.math.Vector2; // 假设使用LibGDX的Vector2
// 假设SimplexNoise是已有的工具类
// SimplexNoise.noise(x, y) 生成Perlin噪声值

public class TargetBasedWanderAI {
    private Vector2 spawnPoint; // AI的起始生成点
    private Vector2 currentPosition; // AI当前位置
    private Vector2 targetWanderPosition; // 动态目标漫游点
    private float wanderMaxDistance = 100.0f; // 目标点相对于spawnPoint的最大偏移距离
    private float movementStrength = 0.5f; // AI移动到目标点的速度/力量

    // Perlin噪声的种子，用于确保不同AI的漫游模式不同
    private float noiseSeedX;
    private float noiseSeedY;

    public TargetBasedWanderAI(Vector2 spawnPoint, Vector2 initialPosition) {
        this.spawnPoint = spawnPoint;
        this.currentPosition = initialPosition;
        this.targetWanderPosition = spawnPoint.cpy(); // 初始时目标点在spawnPoint
        // 为Perlin噪声生成独特的种子，例如基于spawnPoint的坐标
        this.noiseSeedX = spawnPoint.x * 0.1f + 123.45f;
        this.noiseSeedY = spawnPoint.y * 0.1f + 678.90f;
    }

    /**
     * 每帧或每隔一段时间更新目标漫游点。
     */
    public void updateTargetWanderPoint() {
        // 使用时间作为Perlin噪声的一个维度，确保连续变化
        // System.currentTimeMillis() 提供一个随时间变化的数值
        float timeComponent = (System.currentTimeMillis() % 1