寻路算法的优化探讨.doc

游戏编程中寻路算法的优化探讨 1背景 近年来，游戏产业的快速发展带动了游戏中人工智能（Artificial Intelligence，AI）的发展，越来越多的游戏采用人工智能技术提高游戏的可玩性。 一个在市场上畅销的成功的游戏，必须既要有华丽的画面视觉效果和悦耳的听觉感受，又要有高超逼真的人工智能控制系统。游戏开发者把 AI 应用在计算机或者游戏机的游戏中，就会使广大玩家感到他们所面对的由电脑 AI 系统控制的敌人(即 NPC)跟现实中的敌人一样拥有人类智能，让玩家留下如临实境的体验。如果一个游戏的人工智能做得一团糟的话，那么绝大多数游戏玩家宁愿在网络上跟真人进行对战了，或者就转投向其他拥有更高智能的游戏去了，这将给游戏制作公司带来承重的打击甚至破产。 在电子游戏中，玩家操控主要角色，而其他角色的行为逻辑由人工智能操纵，这些角色我们称之为NPC（Non-Player Character，非玩家控制角色）。大部分游戏在开发过程中都会遇到路径探索问题，快速、准确地计算出游戏角色从地图中的A点到达B点的一条路径，一直是游戏开发者追求的目标，同时也是游戏人工智能研究的一个重要方面。 一般游戏 AI 系统都是从搭建最基本的寻路系统开始，一步步修改和完善后而成的。本文重点阐述了游戏 AI 开发中最基本寻路算法及其优化。 2游戏编程中的简单寻路算法 2.1问题提出 考虑以下图1-1： 图1-1 该单位的初始位置（start）在地图的下方，想要到达地图的目标位置（goal）。如果物体所能侦测到的地方（粉色部分所示）并没有障碍，那么物体就会直接向上走到它的目标位置。但在距离顶端较近的位置时，物体侦测到了障碍，因而改变了方向。该物体将不得不行进一个“U”形的路径绕过障碍物（如红色路径所示）。通过对比可知，寻路系统能够通过搜索一个更大的范围（如蓝色区域所示），并寻找一个更短的路线（如蓝色路径所示），使物体避免绕这条由凹陷障碍物造成的远路。 我们可以通过改进物体的移动算法解决上图所示的陷阱。即可以避免在地图上创建有凹陷的物体，或者标记整个凹陷物体的整个凸包为危险区域（即除非目标在该区域内，否则避免进入该区域），如下图1-2： 图1-2 寻路系统则会让路径的决定提前，而不是如上图一样，物体直到移动到最后一刻才发现问题所在。对于“改进物体移动算法”和“使用寻路系统规划路径”两种方式有以下的折中：规划路径一般来说更慢，但效果更好；改进移动算法则会快一些，但有时候会卡住。如果游戏地图经常改变，那么路径规划的方式可能没有较大意义。 2.2 A*寻路算法 将寻路问题简化在二维网格中。大部分在AI和算法领域的寻路算法都是针对作为数学结构的“图”本身，而并非针对这种网格化游戏地图。我们希望寻找一种能利用游戏地图自身特征的方法。其实有些在二维网格图中我们认为是常识的事情，一些在普通图上使用的寻路算法本身可能并没有考虑到。例如如果两个物体距离较远，那么可能从一个物体到另一个物体的移动的时间和路径会较长。对于方向来说，如果方向是朝东，那么最优路径的路径也应当是大体往东走，而不是向西去。在网格中还可以从对称中获取信息，即先向北再向西，大部分情况下和先向西再向北等价。这些额外的信息可以让寻路算法更加快速。 在介绍A*算法之前，我们先来看看Dijkstra算法和Greedy算法。Dijkstra算法简单说来，就是从起始点访问其他临近节点，并将该节点加入待检查节点集合中，使用松弛算法更新待检查节点的路径长度值。Greedy算法大体与之类似，不同的是该算法对目标点的距离有一个估计值（启发值）。该算法并不在待检查节点集合中选取距离起始点近的节点进行下一步的计算，而是选择距离目标点近的节点。贪心最好优先搜索算法并不能保证寻找到最优路径，然而却能大大提高寻路速度。A*算法结合了Dijkstra算法使用的节点信息（倾向于距离起点较近的节点），以及贪心最好优先搜索算法的信息（倾向于距离目标较近的节点）。 A*算法具体过程如下： 1 开两个空队列OPEN，CLOSE。 2 将起点的G值设为0，并计算出对应的H，F值，将起点放入OPEN队列 3 从OPEN队列中取出F值最小的节点放入临时队列TempQueue(一开始就是起点这一个点；另外F值最小的可能不止一个,如有多个则都取出。 4 如果TempQueue队列为空，也就意味着OPEN队列为空，说明已经遍历完整个地图，此时应该退出寻路过程。 5 将 TempQueue中的所有节点加入到CLOSE队列中。 6 遍历 TempQueue中的每一个节点Node，处理Node的每一个邻居节点Neighbor。如果 Neighbor既不在OPEN队列也不在CLOSE队列中，计算出 Neighbor节点的G、H、F值（ G值等于Node的G值加一个单位） ，