正如评论中指出的那样,在开始更复杂的任何事情之前,应该首先尝试使用标准的启发式搜索算法来适当地进行预计算,导航网格(或概率路线图)和其他状态空间的减少。
但是,即使您的网格每帧都在变化,200乘200网格并不是那么大,以至于每秒24帧的搜索都是不可想象的。假设你在游戏中进行的所有操作都是寻路,那么每帧大约需要40ms。如果你的计划者的运行次数少于(而且理想情况下少得多),那么你就有了使用暴力的合理机会。
衡量任何搜索算法执行效果或好坏的一个好方法就是需要扩展以查找解决方案的状态数量。具有良好启发式的(良好编写的)A *算法应该探索最小数量的状态,并且应该胜过任何需要访问每个状态的搜索。考虑到这一点,Dijkstra搜索应该比A *慢(因为它扩展了所有状态)。这意味着Dikstra搜索是计划A *所需时间的近似上限,即使在最糟糕的情况下,也很难构建)。
为了证明这不是不合理的,这里有一小段Python代码来填充八连接网格(合理的任意角度规划的一阶近似)和一些相关的性能结果。
import networkx as nx
import itertools
import numpy
import matplotlib.pyplot as plt
def grid_2d_8_connected(n, m):
G = nx.Graph()
xs = range(n)
ys = range(m)
dxs = [-1, 0, 1]
dys = [-1, 0, 1]
ds = [(dx, dy) for dx, dy in itertools.product(dxs, dys)]
ds = [ d for d in ds if d != (0,0) ]
for x, y in itertools.product(xs, ys):
G.add_node((x, y))
nodes = set(G.nodes())
for x, y in itertools.product(xs, ys):
for dx, dy in ds:
sprime = (x+dx, y+dy)
if sprime in nodes:
G.add_edge((x, y), sprime)
return G
运行快速性能测试:
G = grid_2d_8_connected(200, 200)
%timeit nx.single_source_dijkstra_path_length(G, (0, 0))
1 loops, best of 3: 270 ms per loop
而且在略小格:
G = grid_2d_8_connected(75, 75)
%timeit nx.single_source_dijkstra_path_length(G, (0, 0))
10 loops, best of 3: 35.6 ms per loop
这表明,即使200通过200网格,与通用图形数据结构,Dijkstra搜索(而不是A *)和使用解释型语言,计划在这个大小的网格上只是一个太慢的因素(在我的笔记本电脑上)。
将解释型语言(如Python)转换为编译代码的经验法则是,您通常可以将性能(对于足够大的问题)提高约10倍。使用解释代码应该足够快。
我的实验表明,将状态空间的每个维度的采样减少(略多于)两倍,几乎足以实现所需的性能。这将给你一个你想要的状态数量的代表(上限)在任何简化图中。
“静态”是指您可以预先计算路径数据还是您的地图不是静态的? – biziclop
地图永不改变,所以预先计算绝对是一种选择。 – Matis
我真的没有任何进一步的建议。 :)好吧,那是谎言,如何将你的地图划分为“视线可到达”区域的图形?在这些区域内,您可以采取直接路线,并且可以使用更小的连接图进行区域之间的移动。 – biziclop