程序化建筑与城市生成：乐高说明书与一座自己长出来的城

可视化演示

展示程序化内容生成(PCG)三大核心：建筑生成（形状文法3规则R1 base/R2 floor/R3 roof+参数化PRM控制W/H/D生成5层楼房）、城市布局（7条道路网络3水平4垂直划分6个功能区块RES住宅/COM商业/IND工业每区块自动生成建筑）、PCG管线（4阶段NSE噪声→RUL文法规则→PRM参数控制→OUT网格输出+AI驱动增强自然度）,三模式切换理解PCG。

基础概念：先写规则，再当建筑工人

小明发现，那本说明书威力再大，也离不开三样东西：一个起始数字、一套拼搭规则、一个最终成品。起始数字决定“第一块积木放在哪”，拼搭规则决定“下一块积木跟在哪”，最终成品就是整座城市。这三样东西，恰好就是程序化生成的骨架。

在计算机里，这三样东西分别叫“种子(Seed)”、“生成规则(Rule)”和“生成内容(Content)”。程序化内容生成（Procedural Content Generation, 简称 PCG）并不是“随机乱画”，而是“由规则驱动的自动化创作”。游戏里那些看似漫无边际的开放世界，背后往往只是一小段规则代码加上一个种子数字。种子一换，世界就换了副面孔；种子不变，世界可以在任何机器上原样复现。

建筑生成与城市生成，是 PCG 的两个层次。前者解决“一栋楼怎么长”，后者解决“一座城怎么排”。建筑生成关注墙、窗、屋顶的组合方式；城市生成关注路网、街区、地块的布局关系。两者的共同点，都是把“人的设计经验”翻译成“机器可执行的规则”。应用价值也很直接：人力只能手搓几十栋楼，规则驱动却能一口气生成几万栋，还能保证风格统一、永不重复。

有了这三样，小明再也不需要一砖一瓦地手搭。他只需要问自己一个问题：我想让这座城市长成什么样？然后把答案写成规则。这就好比给城市装上了一颗会思考的“性格种子”。

核心算法：四本风格各异的拼搭说明书

同样的零件箱，不同的说明书，能拼出完全不同的东西。程序化生成也有四本经典“说明书”，分别擅长不同的活：形状文法负责“细胞分裂”，L 系统负责“树枝生长”，Perlin 噪声负责“大理石纹理”，波形函数坍缩负责“数独填格”。

形状文法(Shape Grammar)把一栋建筑看成一棵“分形树”：一个起点形状，按规则不断替换成更小的子形状。比如规则“楼体 → 楼体 + 一层楼层”，程序就会像细胞分裂一样，一层层把楼“长”高。这也是 Esri CityEngine 等专业工具的核心建模语言。L 系统(L-system)原是植物学家用来模拟植物生长的形式语言，如今被用来生成树冠、枝干，甚至教堂的飞扶壁。它的精髓是“递归替换”：一根枝上长两根小枝，小枝上再长两根小小枝，越分越细。

Perlin 噪声(Perlin Noise)负责“自然感”。纯随机数像撕碎的纸屑，杂乱无章；Perlin 噪声像大理石纹路，连续平滑、有高有低。它是地形高度、云朵密度、建筑高度起伏的通用“画笔”。波形函数坍缩(Wave Function Collapse, WFC)的思路来自量子力学：每个格子一开始处于“什么都有可能”的叠加态，随着相邻约束不断“坍缩”成确定形态——每块“瓦片”的四个边都必须和邻居严丝合缝，就像数独里每行每列不能重复。

如果把 L 系统比作“会不断分叉生长的树枝”，那么形状文法就是“按图纸细胞分裂的高楼”，Perlin 噪声是“自然起伏的地皮”，WFC 是“处处讲规矩的数独城市”。四本说明书一组合，城市就有了骨架、表情和秩序。

城市布局：先画马路，再切地皮，最后盖楼

小明盖城的第一步永远是画马路，因为路是城市的骨架——路往哪儿伸，街区就往哪儿长。第二步是切地皮：被路围出来的一块块区域，就是未来的街区。第三步才是决定哪块地皮盖高楼、哪块留公园。

在城市布局里，“路网规划”是第一优先级。常见路网有三种形态：棋盘网格（曼哈顿式）、放射环线（巴黎式）、有机蔓延（欧洲老城式）。网格路网生成简单、寻路友好；放射路网突出市中心；有机路网依赖噪声与地形，更接近真实老街。路网画完，“地块划分”随之而来：把路围成的多边形切成可建造的单元，常用算法包括规则网格切分与 Voronoi 剖分。

地块有了，密度怎么定？城市不是均匀的立方体森林。现实规律是：越靠近市中心，地价越贵，楼盖得越高、越密；越往外，建筑越矮、越稀疏。这种“市中心高、郊区低”的分布，可以用指数衰减函数来刻画。此外，“功能区分布”——商业中心、住宅区、工业区、绿地——也会显著影响布局，程序可以按功能给不同区域配置不同的高度与风格参数。地标建筑则作为密度曲线上的“异常高值”被单独强调，成为城市的天际线焦点。

有了这张“密度地图”，小明的城市不再是呆板的方格阵——市中心高楼林立，越往外越像温柔的郊区。一座城市的气质，从确定密度函数那一刻起就已经注定了。

生成管线：一条从地皮到细节的流水线

搭一座城市不能“先盖 100 楼的第 50 层”。小明总结出一条流水线：先铺地基，再修路，再切地皮、盖楼，最后挂窗帘——每一步都站在上一步的肩膀上。

这条流水线在工程上叫“生成管线(Generation Pipeline)”。典型顺序是：地形生成 → 道路生成 → 地块划分 → 建筑生成 → 细节装饰。地形生成用 Perlin 噪声（还记得那块“大理石”吗？）叠出起伏的山丘与盆地，坡度太陡的地方没法修路；道路生成顺着低洼平缓处延伸，围出街块；地块划分把街块切成单元；建筑生成按密度与功能在单元上“长楼”；最后用窗户、路灯、植被等细节让城市活起来。

地形生成是这条管线“地基中的地基”，而它最常用的数学工具正是多层噪声叠加——把不同频率、不同振幅的噪声叠在一起：低频大振幅负责“大起大落”的山脉，高频小振幅负责“坑坑洼洼”的碎石。这样生成的地形既有大尺度轮廓，又有小尺度细节。关键还在于，每层噪声都由同一个种子驱动，所以只要拿住种子，整条管线就能在任何机器上复现同一座城。

流水线就像小明的“盖城总装车间”：地形是地基，道路是骨架，建筑是血肉，细节是妆容。而种子就是贯穿车间的主传送带——只要调整它，整条流水线就会为小明换出一座全新的城。

性能优化：让城市跑得动，而不是卡成 PPT

城市是长出来了，可小明的乐高小机器人一进市中心就卡成 PPT。他这才发现：生成一座城是一回事，让它“跑得动”是另一回事。

程序化生成的城市动辄几十万栋建筑，如果每栋都按最高精度渲染，任何显卡都会当场崩溃。第一个优化手段是 LOD（多细节层次）：离得远的楼用几十个面的“粗积木”，离得近的用几千个面的“精密积木”。第二个是 GPU 实例化(Instancing)：同款楼有 100 栋，没必要让 CPU 提交 100 次绘制命令——把 100 栋合成一次“批量倒模”，一次提交全部画完。

第三个是流式加载(Streaming)：城市太大，没必要一口气全加载进内存，玩家走到哪就生成并加载哪一块，离开就卸载。第四个是空间哈希(Spatial Hashing)：当程序需要查询“这栋楼旁边有什么”时，与其遍历全城，不如按网格把建筑分桶存放，直接查桶号。这四个手段组合起来，几十万栋楼也能在普通显卡上流畅运行。它们的核心收益可以用一个简单的公式理解：把渲染总耗时拆成不同精细度建筑的耗时之和，LOD 通过减少高精度建筑数量来压减总耗时。

小明的城市终于不再卡壳了——远处是憨憨的粗积木剪影，近处是精致的门窗细节，路过哪块就现场拼哪块。优化不是偷懒，而是把宝贵的算力花在玩家真正看得见的地方。

实战应用：AI 建筑师登场，城市自己进化

到这一步，小明已经是个熟练的“规则设计师”。但他很快遇到新问题：他想做一座“有 1930 年代上海风情”的城，却说不清风情到底由哪些规则组成。这时候，AI 建筑师登场了。

AI 驱动的做法是：给算法大量真实城市照片或街区地图，让它自己学习“上海风格”背后的几何规律，再把这些规律变成生成参数或约束条件。现代工具已经开始用深度生成模型（如扩散模型、GAN）直接产出街景贴图或建筑体块，再用传统 PCG 规则去约束结构与布局。传统方法负责“讲规矩”，AI 负责“提供灵感”，两者正在融合。

在工程实践中，衡量 WFC 这类约束求解器状态有个常用指标——熵。熵越高，说明格子处于“什么都有可能”的不确定状态越多，冲突风险越大；求解器每一步都优先坍缩熵最低的格子，就像数独高手先填“可能性最少”的那一格。这套价值观在实战里同样重要：先做路网主干，再填街区；先锚定地标，再铺普通楼。

小明的“AI 建筑师”看完十万张老照片后，交出的生成参数让整座城瞬间有了旧时光的味道。传统规则负责说“不许这样”，AI 负责说“试试那样”。程序化城市，正在从“写死规则”走向“学会风格”。

AI 应用场景

Python 演示

import random  class CityGenerator:    """用种子驱动的程序化城市生成器, 对应文章中的生成管线"""     def __init__(self, seed=42):        self.seed = seed        self.rng = random.Random(seed)        self.size_x = 60        self.size_y = 40        self.grid_map = [[0 for _ in range(self.size_x)] for _ in range(self.size_y)]        self.buildings_list = []     def generate(self):        self._paint_water()        self._lay_roads()        self._sow_parks()        self._rise_buildings()        return self.grid_map     def _paint_water(self):        # 在右下角画一个圆形湖泊, 模拟地形约束        for y in range(self.size_y):            for x in range(self.size_x):                d = ((x - 48) ** 2 + (y - 6) ** 2) ** 0.5                if d < 9:                    self.grid_map[y][x] = -1     def _lay_roads(self):        # 每隔 6 格画一条南北向主干道        for i in range(0, self.size_x, 6):            for y in range(self.size_y):                if self.grid_map[y][i] == 0:                    self.grid_map[y][i] = 1        # 每隔 6 格画一条东西向主干道        for i in range(0, self.size_y, 6):            for x in range(self.size_x):                if self.grid_map[i][x] == 0:                    self.grid_map[i][x] = 1     def _sow_parks(self):        # 剩余空地上以 6% 概率生成公园, 对应功能区分布        for y in range(self.size_y):            for x in range(self.size_x):                if self.grid_map[y][x] == 0 and self.rng.random() < 0.06:                    self.grid_map[y][x] = 2     def _rise_buildings(self):        # 按概率区间生成低层/高层/地标, 对应建筑生成        for y in range(self.size_y):            for x in range(self.size_x):                if self.grid_map[y][x] == 0:                    v = self.rng.random()                    if v < 0.55:                        self.grid_map[y][x] = 3                    elif v < 0.82:                        self.grid_map[y][x] = 4                    else:                        self.grid_map[y][x] = 5                    self.buildings_list.append((x, y))     def render(self):        symbols = {-1: '~~', 0: '..', 1: '==', 2: '##', 3: '[]', 4: 'HH', 5: 'TT'}        lines = []        for row in self.grid_map:            lines.append(''.join(symbols[c] for c in row))        return '\n'.join(lines)  if __name__ == '__main__':    city = CityGenerator(seed=2024)    city.generate()    count = sum(1 for row in city.grid_map for c in row if c >= 3)    print('生成建筑地块数: %d' % count)    print(city.render())

1. self.rng = random.Random(seed)用固定种子创建可复现的随机源，同一颗种子永远长出同一座城。
2. self.grid_map = [[0 for _ in range(self.size_x)] for _ in range(self.size_y)]一张二维地图，0 代表未开发空地。
3. d = ((x - 48) ** 2 + (y - 6) ** 2) ** 0.5计算地块到“湖心”的距离，模拟地形约束。
4. if d < 9: self.grid_map[y][x] = -1距离小于 9 的格子变成水域，道路会绕开它。
5. for i in range(0, self.size_x, 6):每隔 6 格画一条南北向主干道。
6. if self.grid_map[y][i] == 0: self.grid_map[y][i] = 1只在空地上铺路，避免马路穿湖。
7. if self.grid_map[y][x] == 0 and self.rng.random() < 0.06:空地上以 6% 概率长出公园。
8. v = self.rng.random()每块空地掷一次骰子，按区间分配建筑类型。
9. symbols = {-1: '~~', 0: '..', 1: '==', 2: '##', 3: '[]', 4: 'HH', 5: 'TT'}把数字地图翻译成一眼能看懂的字符图例。
10. if __name__ == '__main__':只有直接运行时才生成并打印，被 import 时不触发。

常见误区

面试题