一、决策树（Decision Tree）

决策树(Decision Tree)是在已知各种情况发生概率的基础上，通过构成决策树来求取净现值的期望值大于等于零的概率，评价项目风险，判断其可行性的决策分析方法，是直观运用概率分析的一种图解法。由于这种决策分支画成图形很像一棵树的枝干，故称决策树。

在机器学习中，决策树是一个预测模型，他代表的是对象属性与对象值之间的一种映射关系。Entropy = 系统的凌乱程度，使用算法ID3, C4.5和C5.0生成树算法使用熵。这一度量是基于信息学理论中熵的概念。

二、博弈树

博弈树是指由于动态博弈参与者的行动有先后次序，因此可以依次将参与者的行动展开成一个树状图形。

　　博弈树是扩展型的一种形象化表述。它能给出有限博弈的几乎所有信息。其基本构建材料包括结、枝和信息集。结包括决策结和终点结两类；决策结是参与人采取行动的时点，终点结是博弈行动路径的终点。枝是从一个决策结到它的直接后续结的连线(有时用箭头表述)，每一个枝代表参与人的一个行动选择。博弈树上的所有决策结分割成不同的信息集。每一个信息集是决策集集合的一个子集，该子集包括所有满足下列条件的决策结：(1)每一个决策结都是同一参与人的决策结；(2)该参与人知道博弈进入该集合的某个决策结，但不知道自己究竟处于哪一个决策结。

博弈树的搜索方法：

1、“极大极小值”搜索算法

2、“负极大值”搜索算法

3、“α-β”剪枝

三、行为树（Behavior Tree）

如果没有引入自主学习，那么类似这样：“如果 XXX，就 XXX”的条目，对于游戏中的角色来说，这就是它的知识，角色的这种知识越多，它的行为就显得更智能。 一般来说，这种知识更类似状态机的组织方式，即触发某个状态，输出对应的结果。但是当知识的条目比较多的时候，对知识的分类处理就成了问题，这个时候人们引入了行为树来支撑角色的 AI。

行为树的节点

既然是树，那就有节点（Node），行为树的顶点有很多种类型，一般至少都要包括动作行为（Action）、条件行为（Condition）、装饰行为（Decorator）和复合行为（Composite）等四种类型。