游戏 AI / 系统课时
NPC 决策开销高时怎么定位
NPC 决策开销高时怎么定位
NPC 决策变慢时,不能只看“某个函数耗时高”。真正需要拆开的是候选规模、决策频率、评分次数、昂贵查询次数和重复计算。先把这些量测出来,才能判断问题来自感知范围过大、每帧重算,还是路径与可见性查询放错了位置。
学习目标
- 用可量化指标拆解一次 NPC 决策的成本
- 识别候选爆炸、高频重复评分和昂贵空间查询
- 根据测量结果决定先降频、先过滤还是做缓存
先把总开销拆成几个可数的量
一帧里有 100 个 NPC,并不意味着只做 100 次决策。每个 NPC 可能扫描几十个候选,再对每个候选做距离、视线、路径和规则判断。性能问题常常来自乘法效应。
可以先用一个近似模型理解:
其中 N_npc 是活跃 NPC 数量,F_decision 是单位时间决策次数,N_candidate 是平均候选数,C_perCandidate 是每个候选的平均处理成本。任何一项放大,都可能让总成本迅速上升。

先记录数量,再看耗时
单看平均耗时不够,因为“每次 0.1 ms”乘上几万次同样会超预算。建议至少统计活跃 NPC 数、每秒决策次数、原始候选数、过滤后候选数、评分次数、视线查询次数、路径查询次数,以及整轮决策耗时。
下面的可运行示例模拟 120 个 NPC,每个 NPC 有 40 个原始候选,并统计“先便宜过滤、后昂贵查询”时的调用数量。
import time
NPC_COUNT = 120
RAW_CANDIDATES = 40
score_evaluations = 0
los_queries = 0
start = time.perf_counter()
for _ in range(NPC_COUNT):
distances = [index / RAW_CANDIDATES for index in range(RAW_CANDIDATES)]
# 先用便宜的距离条件收缩候选,只让近处对象进入评分。
nearby = [distance for distance in distances if distance < 0.25]
for distance in nearby:
score_evaluations += 1
# 只有更高潜力的候选才进入昂贵的可见性检查。
if distance < 0.10:
los_queries += 1
elapsed_ms = (time.perf_counter() - start) * 1000
print("raw_candidates:", NPC_COUNT * RAW_CANDIDATES)
print("score_evaluations:", score_evaluations)
print("los_queries:", los_queries)
print("elapsed_ms_positive:", elapsed_ms >= 0)预期输出:
raw_candidates: 4800
score_evaluations: 1200
los_queries: 480
elapsed_ms_positive: True实际耗时会随机器和运行环境变化,因此示例不固定毫秒值,只验证耗时非负。真正值得观察的是数量关系:4800 个原始候选经过便宜过滤后只有 1200 次评分,而昂贵查询进一步减少到 480 次。
看比例就能快速定位浪费
如果 rawCandidateCount 很大,但过滤后只剩极少数目标,优先优化空间分区、感知半径或粗筛条件,避免先把整个场景对象拉进来。若候选规模合理,却每帧都发生大量 scoreEvaluations,说明决策频率可能过高。
如果 losQueries、pathQueries 与原始候选数接近,通常表示昂贵检查放得太早。更合理的顺序是先做存活、阵营、距离、区域等便宜判断,再对少量高潜力候选做视线或路径查询。
还要特别检查重复计算。例如同一轮决策里多个评分项分别读取相同距离、重复计算向量长度,或者目标没有变化却重复查询路径。可以把同一轮决策内稳定的数据放入快照或局部缓存,但不要跨太长时间缓存会快速失效的感知结果。
决策频率通常比微优化更值得先改
NPC 不一定每帧都需要完整重算目标。移动中的普通敌人可以采用固定频率更新,并在受伤、当前目标失效、任务状态变化等事件发生时立即触发额外决策。
如果一次完整决策成本为 0.2 ms,100 个 NPC 每帧都算,在 60 FPS 下理论调用频率达到每秒 6000 次。把普通决策降到 5 Hz 后,同样 100 个 NPC 只有每秒约 500 次常规计算,再由关键事件补充即时响应,通常比优化几个算术操作更有效。
优化后用同一组指标验收
一次有效优化至少应该回答三个问题:候选数是否下降、昂贵查询是否下降、决策总耗时是否下降。只看到帧率提升但没有指标变化,很难确认收益来自本次修改,也无法判断在更多 NPC 场景下是否还能成立。
验收时最好固定测试场景、NPC 数量和持续时间,对比优化前后的 decisionHz、平均候选数、评分次数、LOS/路径查询次数,以及平均和高分位决策耗时。只要这些指标能解释性能变化,就能继续判断下一步该降候选、降频、缓存,还是调整昂贵查询的位置。