本篇文章是腾讯游戏开发精粹的读书总结
一、背景介绍
- 定义
体素定义:3D空间的最小表示单位
- 主流做法
目前主要采用Bounding Volume Hierachy(层次包围盒),但这种基于Tree的检索效率并不是太高，尤其是
对后台压力大。（前端只需要加载当前存在的单个地图，后台需要加载所有场景体素）
- 查找场景复杂度
由于
自管理内存，所以查找某个位置的所有体素，时间复杂度位O(1)
- 3D游戏的三种做法
1）体素：在腾讯最先由天涯明月刀提出
2）多边形网络：缺点是查找效率较低，后台性能压力大
3）分层：缺点是地面以上很难划分层的界线，而且复杂的建筑层太多，内存太大
- 本文适用性
本文介绍的内存优化、效率优化所使用的场景大小为长800M，宽800M，高400M
二、体素生成
1）受开源项目Recast Navigation的启发，该项目由Mesh经过体素化、地区生成、轮廓生成、多边形网格生成、高度细节生成等步骤生成NavMesh
2）因此将Recast Navigation对Mesh体素化的代码抽出来即可生成体素
三、体素内存优化
1）体素合并的原理
（1） 体素都是一个长方体，表示有实物占据了该长方体
（2）可以将Mesh只覆盖体素的表面，而生成的体素是空心，这样就可以把体素大小从36MB降低到31MB（所有的玩家进不去的空间都要做成空心的、封闭的，这样对美术的要求就高点）
（3）
2）体素合并的算法
- 思想：
选择一个种子点，通过种子点的前后左右四个方向扩散，无法扩散的空间即为不联通的，直接的方法是构造三维矩阵，然后三维矩阵离用广度优先遍历（深度优先遍历栈一定会溢出）
（备注：这里体素长款分为0.5，三维矩阵大小为1600X1600X4000），内存占用10GB，宽度搜索一次需要20min完成。（本章的搜索方法，在1s内完成）
- 做法（这里就简单写了，因为也没代码）
1）首先，构建原体素的反体素，反体素表示没有被实物占据的空间
2）其次，标记联通去，在antiSpans中采用宽带优先搜索，首先在队列中放入一个可行走区上放的反体素，从该反体素开始标记整个场景的联通反体素
3）在antiSpans中删除所有flags为0的菲联同反体素，并根据antiSpans重新构建spans。通过以这种方式，合并体素的算法内存降低为10MB左右，时间在1s以内.
3）地面处理
地面的下表面高度忽略，统一认为0，体素内存从31MB降低到21MB（悬空场景，下表面高度也是0，但是需要在该高度下面1m生成1层透明的小片）
4）水的处理
1）若设置水也是体素，则需要增加一个标志位标志该元素为水，每个体素就多带一个标记，但是不需要，只有个别场景有水，所以对水不采用体素
2）最直接的做法：开辟二维矩阵，在每个(x,y)处纪录水的高度，如果场景没有水，则不开二维矩阵，但是用这种方法:会造成内存的极大浪费，因为绝大部分区域没有水。
3）因此对水采用分块存储方式，每一块大小为100X100，再开辟一个二维指针数组，数组的每个元素都为指针，如果该区域有水，则指针指向100X100二维数组；否则该指针为空。
- 举例：
例如查找（172，567）处水的高度，则首先检查二维指针数组在（1，5）处的指针指向的100X100二维在（1，5）处的指针是否为空，若为空，则无水；如果不为空，则代表有水，继续在二维指针数组在（1，5）处的指针指向的100x100二维数组里查找（72，67的高度）。
故
查找时间复杂度仍为O(1)
5）范围控制
1）玩家场景由外框是全部包括，然后，外框包括内框。
2）因为玩家到不了内框外，所以内框以外不用生成体素
3）地图的前、后、左、右、上边界是内框规定的编辑，但下边界比内框边界高2m，因为内框边界以下都不生成体素。
4）但是：
Ⅰ：为了防止建筑物悬空、建筑以下被遮挡的情况，需要在内框边界以上1m位置加小片体素政党
Ⅱ：为了防止玩家落到小片上，需要地图下边界比小片略高，则因此地图下边界比内框边界高2m，内框更低。
Ⅲ：如果内框边界以下地形复杂，因为内框边界以下不生成体素，则也可节省一部分内存
6）内存自管理
- 内存管理方案
1）地面全部存储：地面以上分块存储，类似水的存储方式。因为地面以上体素较少，分块存储可节省大部分没有体素的区域，但是也有大量的内存浪费
2）四叉树：查找时间复杂度为O(logn),而且需要父结点到子结点的指针
3）在每个(x,y)new一个数组，但是存在大量的内存碎片和cache miss
补充：以上的三个问题都有各自的缺点，可以采用一维数组存储所有体素信息。。。。（这里就不详细展开了，请看书了解）
7）体素内存优化算法的结果
原始内存占用44MB-》体素合并后31MB-》地面处理21MB-》范围控制后13MB-》内存自管理后8MB
8）体素效率优化
前面使用的自管理内存，使在体素之间行走的时间复杂度近似为O(1)，效率提升进10倍，每个场景的平均体素大小由9.1MB降低到6.9MB