游戏 AI / 系统课时
为百名 NPC 控制行为开销
为百名 NPC 控制行为开销
当场景里同时存在上百名 NPC,真正拖慢帧率的通常不是某一个行为树节点,而是感知扫描、路径请求和高频 Tick 叠加后的总成本。本节建立一套按距离与重要性分级的更新策略,让 NPC 数量增长时仍能控制预算。
学习目标
- 找出大规模 NPC 中最容易放大的三类成本
- 用分级更新降低感知、路径与行为树 Tick 频率
- 为性能策略设置可验证的预算和退化边界
先拆出会随 NPC 数量放大的成本
百名 NPC 的性能问题要先按来源拆开。行为树 Tick 往往只是入口,真正昂贵的工作通常在节点触发的外部系统中。
感知查询会随着检测频率和候选目标数量增加;寻路请求通常比普通条件判断昂贵得多;行为树 Tick 过密则会重复执行大量“结果没有变化”的检查。优化重点因此不是让所有节点都更快,而是减少不必要的执行次数。

可以先给每类工作设一个简单预算:
| 工作 | 近距离 NPC | 中距离 NPC | 远距离 NPC |
|---|---|---|---|
| 行为树 Tick | 高频 | 中频 | 低频或休眠 |
| 感知扫描 | 高频小范围 | 中频 | 低频 |
| 寻路 | 按需请求 | 按需且限频 | 尽量不请求 |
这里的“高频”不等于每帧。具体间隔应该通过 Profile 数据决定,而不是写死成所有 NPC 共用一个值。
用分级调度避免所有 NPC 同帧更新
下面的 Java 示例模拟三档更新间隔,并通过 npcId 做相位错开。这样即使多个 NPC 使用相同频率,也不会在同一帧一起触发。
public class NpcBudgetSchedulerDemo {
enum Tier {
NEAR(1),
MID(3),
FAR(10);
final int tickIntervalFrames;
Tier(int tickIntervalFrames) {
this.tickIntervalFrames = tickIntervalFrames;
}
}
static boolean shouldTick(int npcId, int frame, Tier tier) {
// 用稳定偏移把相同频率的NPC分散到不同帧。
int offset = Math.floorMod(npcId, tier.tickIntervalFrames);
return frame % tier.tickIntervalFrames == offset;
}
public static void main(String[] args) {
int frame = 20;
System.out.println("near-100=" + shouldTick(100, frame, Tier.NEAR));
System.out.println("mid-101=" + shouldTick(101, frame, Tier.MID));
System.out.println("far-102=" + shouldTick(102, frame, Tier.FAR));
}
}预期输出:
near-100=true
mid-101=true
far-102=false这个示例只负责“是否进入本次行为更新”。实际项目中可以在一次调度里进一步决定:是否刷新感知、是否允许发起新路径请求,以及是否只更新最低成本的黑板数据。
感知和寻路要单独限频
感知不应由每个 Action 节点各自做世界查询。更稳妥的方式是由 Service 或感知系统统一更新黑板,并给不同信息设置不同频率。例如攻击距离可以较高频刷新,而环境扫描可以明显降低频率。
寻路则要避免“目标位置轻微变化就重新算路径”。常用保护包括:目标位移超过阈值才重算、同一 NPC 设置最短重算间隔、已有请求未完成时不重复提交,以及把同帧路径请求限制在固定数量内。
给远距离 NPC 明确退化策略
性能预算不足时,不要让所有 NPC 同比例变慢。玩家附近的敌人对响应延迟敏感,而远处 NPC 通常可以退化为低频决策、简化感知甚至暂停完整行为树,只保留必要的移动或状态同步。
合理的优先级通常是:先保证近距离战斗 NPC,再保证屏幕内或即将进入交互范围的 NPC,最后处理远距离实体。这样即使总数量继续增长,也能把预算花在玩家真正能感知到的行为上。
用数据验证而不是凭感觉调参数
最终至少记录四个指标:每帧实际 Tick 的 NPC 数、感知查询次数、路径请求次数,以及 AI 更新耗时。优化前后使用相同场景和相同 NPC 数量比较,才能判断是哪一项真正下降。
如果百名 NPC 出现周期性尖峰,优先检查是否存在同帧批量 Tick、批量感知或批量重算路径。稳定的大规模 AI 不是让每个 NPC 都保持最高更新频率,而是让不同重要性的 NPC 在可控预算内获得足够的决策精度。