【游戏精粹】AI系统（一）：优化策略

优化策略

策略1：使用事件驱动行为而非轮询
最理想的情况是自主体应不断地监控其所处的环境，并做出相应的反应。这种方法的问题在于，它将导致大量重复计算。替换方法是尽可能采用事件驱动技术。如棒球游戏，当棒球被击打时，棒球只需告诉接球手，自己被击打即可。
  策略2：减少重复计算
通过在多个AI主体之间共享结果以减少重复计算。很多时候，虽然本可以只计算一次并共享计算结果，但主体将重复计算相同的信息。这种优化很容易，通常可以节省大量的时间。
  策略3：由管理员集中进行协调
对于多个主体之间的协作，可由一个管理员实体来做出复杂决策，从而使协作更简单、更快速。这种复杂的决策通常是确定每个成员的任务，而主体将完成相应的任务。
  策略4：不那么频繁的运行AI
AI主体很少需要在每帧都运行其整个决策函数。因为真正的生物都有一定的反应时间，这样变提供了一种简捷的削减AI处理途径。
这种策略的问题之一是可能存在AI处理高峰。最简单的解决方案是随机化每个主体处理出口。每次AI回调后，随机选择新的延迟。这种随机执行窗口实际上确保了主体之间不会同步，从而导致处理高峰产生。
  策略5：将处理工作分散到多帧中完成
任何所需时间不确定的算法（将占用大量的CPU时间），都可将其工作分散到多帧完成。通过保存每帧计算得到的结果，并在下一帧恢复，直到完成工作。
本策略可作为一个特例在一个模块（如寻径模块）中实现。
  策略6：利用细节级AI
细节级（level-of-detail，LOD）概念是一种精巧的优化，被大量用于图形领域之外。其思想是：当物体远离摄像机时，使用一个包含较少多边形的模型；而当物体较近时，使用一个包含较多多边形模型。简而言之：远处的对象不渲染或者“粗”渲染，较近的对象进行“细”渲染。这样，显示速度将极大地提高，而对游戏视觉效果几乎没任何影响。
用于AI的细节级技术：
1.根据主体离摄像机、玩家或现场的距离，改变处理频率；
2.根据相关程度，改变主体算法的复杂度，方法是如果主体远离画面，则不进行精准的寻径；
3.当主体对玩家的重要性降低时，在单个模拟算法中显示多个主体。其极端的例子是：使用简单的公式来模拟远处争斗的结果，而对于离玩家较近的战斗，则对每个士兵和每颗子弹都进行模拟。
细节级旨在在玩家不会察觉的情况下减少计算量。如果玩家将发现有问题或差别，则说明优化过头了。
  策略7：只解决问题的一部分
对于大型问题，有时只需解决急需的部分就足够了，可在以后需要时再计算解决方案的其余部分。甚至可能出现这种情况：情形出现很大变化，问题的余下部分已经无关紧要，不再需要计算。这种策略非常类似迟缓计算。
例如A*寻路的层次式寻径（分级路径）：计算角色到达目的地的高级路径（从房间到房间），然后进入新房间后计算到下一个房间的微路径。如果由于某种原因，角色改道或者死亡，则丢弃余下的路径。这种按需寻径可以极大地提高速度。
  策略8：离线完成困难的工作
有时，问题非常困难，没有解决它所需的CPU时间。则可以在开发阶段预先计算好结果，并通过一个包含索引的查找表来获得所需的值。这是最强大的优化策略之一，因为它能够将几千小时的计算结果存储为几KB的数据。
  策略9：使用突发行为以避免编写脚本
该策略与前一个策略相反。如果没有足够的时间来为出现在场景数以百计的背景AI实体创建行为或脚本，对此解决方案是指定简单的规则，以实现智能、突发的行为。可参考本栏目的【游戏精粹】模拟群体行为：Flocking算法。
但是，该策略在减少离线工作量时，可能导致意外结果（模拟群体不完善导致）。它最适合用于非关键AI实体，这些实体并非游戏发展或完成的关键。
  策略10：通过连续记录来分摊查询成本
有时需要收集大量的数据，以做出智能的决策。如果需要数据时才进行收集，则用于计算的时间可能是不可接受的。对此，解决方案是不断地更新数据结构中的数据。虽然跟踪数据所需的时间和内存更多，但这被分摊到很多帧中。这样，对数据的简单查询将不会影响帧频。
  策略11：重新考虑问题
重新考虑问题以将代码的速度提高多个数量级。优化代码的某部分常常会获得意外的收货。真正的优化方法是，从稍微不同的角度，以其他方法或算法来解决问题。
在“【游戏精粹】模糊逻辑”一文的“避免模糊系统的组合激增”一节中解释了这种策略。在那节中，介绍了Combs的替代算法，这种算法巧妙地避免了传统模糊系统的指数特征。虽然得到的结果不相同，但具有可比性，对大多数用途而言足够了。
从不同的角度重新考虑问题，可能是任何人都能够提供的优化建议。它是其他优化的根源所在。只有重新定义或抽象问题、进行类比或改变自身的角度，才能完成真正优化代码的一跃。

学习资源

《游戏编程精粹2》第三章第一节