遊戲底層邏輯，空間劃分

我們可以預知，該方法在個體總數較小的時候效率較高，一旦個體數突破上百個，就很容易造成極大的cpu開銷，所以此處我們需要研究出另外的索引方案來得到鄰居。

空間劃分的方案主流的有很多，例如四叉樹，八叉樹，bsp樹，四叉樹主要用於資料庫的底層方案，它會將二維的點轉化為一條有規律的曲線；八叉樹是四叉樹的3d版；bsp樹是三維的空間二分；這幾種主流演算法對於我這款遊戲都不合適，此處我們介紹兩個不是很常見的演算法，cell space和geo hash。

我們想象如下的場景：

y君上了計程車

y：「師傅，到xx小區。」

計程車司機：「xx小區在哪兒啊？」

y：」就在電視塔附近。「

很常見的情況，我們注意到，當我們不知道地理位置的時候，我們會查詢「標誌性建築」，cell_space_partition（以下簡稱csp）就是引用了這樣一種思路：通過hash（索引）來減少遍歷的難度或者廣度。（筆者最近在思考有沒有可能性直接用一種關聯啟發演算法，來實現這種多對多的劃分邏輯）

這種空間劃分是將二維空間劃分為小方格仔，然後每個小方格存放個體指標的集合，我們在查詢個體鄰居的時候就只需要遍歷小方格裡的個體集合。

#pragma once
#include"baseentity.h"
#include
#include"cocos2d.h"
using
namespace cocos2d;
struct cell
};class cellspacepartition
;cellspacepartition::cellspacepartition(rect spacesize, int cellnumx, int cellnumy) :
_spacerect(spacesize),
_cellnumx(cellnumx),
_cellnumy(cellnumy)
}}void cellspacepartition::addentity(baseentity* entity)
int cellspacepartition::positiontoindex(const vec2 position)const
void cellspacepartition::updateentity(baseentity* entity, vec2 old_position)
}std::vector
cellspacepartition::getneighbors(vec2 position,double radius)
});//end for each
}}//end for
return neighbors;
}

大家可以看到，很簡單的**，此處我們將空間劃分的方格數目固定，當然也可以用固定大小的方格。

在面對運動的個體時，我們需要在物體產生位移的同時更新它的所屬方塊。

如果你開發過基於lbs+的地圖程式，你應該對這個演算法很熟悉了，但是應用在遊戲上還是大姑娘上轎——頭一回！真令人興奮，我們每當做出一小步創新，人類的科技就會有乙個大的進步。

我在此就不班門弄斧介紹這種演算法了，我講一下我的實現。

難點有幾個：

- c++內部對2進製變數的處理比較糟糕

- 我們需要寫乙個base32編碼的方法，而且要盡量高效，一旦該方法不高效，那反而會比空間劃分以前更慢

- 我們需要寫乙個資料庫查詢的like演算法，其實也就是基本模糊查詢，筆者的資料庫知識非常尷尬：），這一塊在找做資料庫的朋友幫忙講解一下

基本步驟：

- 1·為位址結構新增string型別儲存hash值

- 2·傳入乙個地理資訊point（x,y），對其x和y值做如下操作

- 3·將其不斷二分，此處我們使用遞迴方案，屬於左區間值為0或者1，右區間與之相反

- 4·小於設定精度後，結束二分（此處的精度需要根據你的hash字串長度和整個地圖大小來計算）

- 5·我們將x，y值復合，偶數字為x或者y，奇數字為另乙個

- 6·我們這時得到一串二進位製碼，對其進行base32編碼

- 7·得到geohash值

關於base32編碼，就是把二進位制數轉換為32進製數，5位代表乙個32進製數，此處的編碼表為約定版本，詳情見**

關於like方法，由於對效率至關重要，所以筆者不敢妄下定論，大家有好的方案可以m我

class geohash
protected://convert to base32 code
string base32encoding(string);
public:
static
string getindex(vec2);//get geohash code
static
bool like(string,string);
std::vector
getneighbors(vec2, std::vector
);};
char geohash::base32_encode = ;
string geohash::base32encoding(string bitstr)
int refer = 0;
for (int j = 0; j < 5; j++)
outputstr.push_back(base32_encode[refer]);
}if (bitstr.length > count * 5)//push '0' to fill the rest
int refer = 0;
for (int j = 0; j < 5; j++)
outputstr.push_back(base32_encode[refer]);
}return outputstr;
}string geohash::getindex(vec2 po)
return base32encoding(totalbit);
}void geohash::halfdivision(double min, double max, double value,string& bit)
if (between(value, min, (min + max) / 2))
else
}bool geohash::like(string index1,string index2)
}std::vector
geohash::getneighbors(vec2 centre, vector
preselectedentities)
);}

該演算法筆者還沒有進行全面測試，估計在處理靜態物體，超大空間的時候效率會遠遠高於csp，畢竟後者在儲存空間格仔申請的記憶體就會讓處理器**。

這兩種演算法有乙個好處，將額外的計算開銷（csp空間格仔的指標操作，geohash額外的索引計算）平均分配，位置改變是一直進行的，所以cpu的開銷就變成非同步的了。總體來看，總的計算量增加了，然而卻被分配到了實體們每次發生位移時候，計算效率當然大大提高。

遊戲底層邏輯，空間劃分

劃分字母空間

Z劃分空間

python底層的邏輯回歸

遊戲底層邏輯，空間劃分

劃分字母空間

Z劃分空間

python底層的邏輯回歸

相關推薦