即时战略游戏中实用的寻路算法分享
http://www.gameres.com/340777.html
GameRes游资网授权发布，文 / 伍一峰
RTS中的寻路系统一般需要满足有以下几个条件：
1. 效率高，因为rts普遍地图大，单位多，所以处理效率很重要。
2. 易编辑，以便于level design。
3. 效果真实，如能找出最优(或者是看上去合理)。
4. 可以应对动态的游戏世界，例如起建筑。
一般用于rts寻路的算法是A Star，首先是A Star有利用到启发式函数(Heuristic Function)[1]，和另一个算法Dijkstra(A Star的无启发函数版)相比可能会更有效率，因为启发函数设计得当，可以大大减少计算的数量。
因为启发函数的估计往往不是精确的，所以A Star [删：不像Dijkstra，] 不一定能找出人类人之上的最优解，但是对于游戏来说，看上去合理就行。然而用A Star作为寻路算法，仅仅是寻路系统的基本部分。作为系统，它需要有易编辑的特性。这就涉及到A Star中每个节点(Node)的表现方式。
最基本的表现方式是方块(Tile)，如下图 [2]
即时战略游戏中实用的寻路算法分享
其中，可以将山洞所占的的几个方块设为“Not Movable”，这样A Star就会不会考虑到这几个方块，系统所生成的路径就不会碰到山洞。
用方块作为A Star节点优点是简单，不过也有比较多的问题。
第一是，如果地图很大的话，方块就会很多，这样A Star的节点就会大大增加，处理的时间相应地会增大。
第二是，单位的移动只能是上下左右，最多加上斜行，总共八个方向，不够真实.
第三是，单位的体积大小不一样的话，大单位的图像可能会覆盖到“Not Movable”部分。以上面的图片为例，一条路径会经过在山洞边边，一个占四个方块大小的巨人走过的话，就会走在山洞上面。
为了解决上面的一些问题，我们可以使用路经点(Waypoint)来做A Star节点，如下图 [3]。
即时战略游戏中实用的寻路算法分享
图中的红色的路径点代替了方块，成为A Star节点，这样的好处是我们可以自由地添加路径点，可以相对地减少A Star节点数目，同时也单位也可以按照设计师设计的方法去走。
然而，从上图也可以看出它的问题不少。
第一是，如果是大地图，路径点数量太少会显得生硬。
第二是，需要考虑得面面俱到，不然一条直路忘了加路径点，单位就会“绕”(看上去)过去。
为了更好地解决以上所述的问题，导航网格(Navmesh or Navigation Mesh)出现了，如下图所示 [4]。
即时战略游戏中实用的寻路算法分享
现在，灰白色的多边形成为了A Star节点。
它解决了上面所出现的所有问题，
第一，从图中可以看出，节点的数目大大减少，因为多边形可以覆盖任意区域，不用限制成方块或点。除了提升计算速度之外，编辑导航网格的效率也大大增加。
第二，通过计算直线两点和导航网格的相邻点(上图蓝色点)的位置关系，可以计算出两点是不是可以直接行走而没有阻碍物。例如上图从A点到B点通过计算可以得出可以直线行走，不用想方块和导航点那样绕来绕去。
第三，在转角位不一定要经过相邻点，可以加上单位的体积半径，这样不同体积的单位都可以合理地通过转角。
对于建筑的考虑，在RTS中的寻路系统，还有一个很重要的话题，就是要可以应对动态的游戏世界。
一个简单的例子就是起建筑。
在一些需要频繁修改游戏世界的场景中，以方块为节点会更加容易作出修改 [14] ——只需要将建筑所占的方块的“Not Movable”修改成“Movable”。例如著名的塔防游戏《Field Runner》，应该是利用这种方法来实现的，而且作为塔防，《Field Runner》可以只在建塔之后寻路一次，缓存起来就行。所以在这一场景中方块又成为了一个方便快捷的选择。
然而，导航网格也是可以动态修改的，不过开发难度会更大，而且运行中动态修改可能会造成延迟。有一些方法可以优化，例如动态地修改局部导航网格 [12]，或者是完全不修改，而将建筑看作局部的障碍物用另一套机制来应对 [13]。
其实除了A Star算法之外，还有其他算法，或者技巧，可以用于RTS的寻路系统，这里简单地介绍一下。
例如Potential Field，它是将地图用一个矩阵来表示，矩阵储存着大小不同的电势（整数）。
例如，正电势表示吸引，负电势表示排斥。
而游戏中的单位本身是一个负电势，游戏以一个数组储存所有单位的电势和位置 [7]。
这样，在计算一个单位需要怎么从A点到B点时，我们可以用一个新的矩阵将目的地B点设成正电势，并以不同方式(如圆形、四边形等)辐射开来，离B点越远电势越低，直到0。然后将地图矩阵，目的地矩阵，和所有单位数组的电势相加，得出一个新的、反映当前游戏世界的电势矩阵，然后单位再选择周围所有电势点中的最高电势点去走。
不过这里坑很多，因为它本质上是Greedy Algorithm，所以它未必能找出解。[5]然而在某些设定中，例如在没有过于复杂地形，并且需要单位自动不相互覆盖的情况下，Potential Field还是可以完成任务 [8]。
因为相比A Star的寻路系统来说，这个方法会比较简单。
还有Flocking Behavior，在对于一大群单位的寻路，计算量是很大的，而且往往会有很多的重复，这些都是可以避免的。如果单位的移动是利用Steering Behavior [9] 来实现的话，那么就可以为其中一个单位，称之为Leader，计算路径(例如用导航网格)，然后其他单位按照以下Flocking原则来移动：
1. 分离，避开相邻单位。
2. 一致，和整体的移动方向一致，这里应该是Leader的移动方向。
3. 聚合，向整体的平均位置靠拢。
这样的话，就可以降低寻路的计算量，并且得到更加真实的群体单位行进效果。
另外一个技巧和Flocking Behavior类似 [10]，对于不用Steering Behavior的一大群单位，可以将他们设为一个组，计算这个组的路径(并且要考虑到这个组的半径以便通过转角位)，然后给每个单位offset一个适当的距离，如果遇到小的通道，例如门，可以适当调整offset。
《全面战争》里面一个队伍40人，大概用的就是这种方法 [11]。还有一个优化技巧是Chunk [15]，这个技巧“先切分地图然后分块去做”应该是一致的。
在规模宏大的地图中，为了进一步提高寻路速度，可以在编辑地图时将一些节点处理成一个Chunk，它有入口和出口，并且不同Chunk之间需要连接起来。
从A点移动到B点，首先先在Chunk之间做寻路，得到一系列的Chunk，在Chunk 1的时候只需要在Chunk 1中寻路，去到Chunk 2的时候就只在Chunk 2中寻路。它本质上是将地图分为两种维度，一种是粗略的Chunk，一种是Chunk里面的节点(可以是方块，路径点，导航网格)，并分开进行处理。有种空间分割(Space Partition)的味道在里面。
这个方法我没有真正用过，还望大家补充。
还有D Star，它主要运用在机器人领域 [6]，可以在未知环境中寻路，不过我没接触过。
注释和资料来源：
[1] 启发式函数 Heuristic Function：估计路径所需的资源花费的函数，资源可以是“时间”，“体力”等等。对于精度要求不高的游戏来说，常用的启发函数是估算曼哈顿距离。
[2] 图片来源：http://www.codeproject.com/Artic ... onality-in-a-Tile-M
[3] 图片来源：http://mgrenier.me/2011/06/pathfinding-concept-the-basics/（这篇博客也有讲述寻路的概念，是一个不错的学习资源）
[4] 图片来源：http://www.ai-blog.net/archives/000152.html（这篇博客更加全面地讲述各种寻路系统的节点代表方式，值得一看）
[5] 推荐参考：http://aigamedev.com/open/tutorials/potential-fields/
[6] 参考来源：http://en.wikipedia.org/wiki/D
[7] 单位可以移动，所以以数组来储存会比较方便，不用频繁更新矩阵。
[8] 一个成功的例子：http://www.n-created.com/2013/08 ... 3-hello-potentials/
[9] Steering Behavior，将一个单位考虑成一个受力点，通过增加不同的力，如吸引的，排斥的等等，实现如搜索、逃跑、躲避障碍和Flocking等行为。
[10] [11] 资料来源：http://aigamedev.com/open/review/total-war-ai/
[12] 动态地修改局部导航网格：http://www.staff.science.uu.nl/~ ... ynamic_navmesh.html
[13] RV Obstacles：http://gamma.cs.unc.edu/RVO/
[14] 资料来源：http://gamma.cs.unc.edu/RVO/
[15] 资料来源：http://inpla.net/forum.php?mod=v ... amp;page=1#pid45923 中orange030的补充