周末傍晚的人民公园，喇叭一响，三四十位阿姨自觉站上粉笔线画好的格子。领舞王阿姨站在最前面，抬手、转身、迈步；身后的队伍像被一根看不见的线牵着，整齐划一。仔细看，每个人都有自己的小本子——什么时候抬腿、什么时候转圈，像一本微型“舞步手册”；但也正因为每个人都认真跳自己的舞步、又不碰着别人，整支队伍才呈现出行云流水的队形。这就是多NPC协作的缩影：个体有自己的行为规则，群体则涌现出整体秩序。 游戏里的 NPC 也是这样：门卫有巡逻小本子，商贩有吆喝小本子，村民有闲聊小本子；这些“小本子”就是行为树。当玩家闯入，守卫、猎人、村民像阿姨们听到切换曲目一样，纷纷翻开应急那一页，互相配合、各司其职。这篇文章会用一套贯穿始终的生活化比喻，带你搞懂多 NPC 协作的原理、算法和工程优化，让你从“只会写一个 NPC”进阶为“能让一座村庄活起来”。

岗位关联

学会多 NPC 协作与群体行为，等于掌握了开放世界、RTS、模拟经营等项目的“第二层骨架”——让 NPC 从单兵木偶变成有呼吸的社区，这是 AI 游戏工程师的核心竞争力。

目录
  1. 可视化演示
  2. 协作基本功：先学会同频
  3. 群体算法：三句口诀让舞队活起来
  4. 通信机制：舞队暗号与公告栏
  5. 协同树设计：编舞师的分工艺术
  6. 性能优化：人再多也流畅的秘诀
  7. 动态管理：有人进场，有人退场
  8. 调优实战：排练中的意外与补救
  9. AI 应用场景
  10. Python 演示
  11. 常见误区
  12. 面试题

可视化演示

展示Boids模型三大规则（分离/对齐/凝聚）的鸟群仿真、行为树多NPC任务分配执行及群体涌现行为模式（环阵/V型/集群）。

本节配有交互动效（进入视口后自动加载，约 3KB）。

Boids模型三大规则 分离S: 避免邻居过近 对齐A: 匹配邻居方向 v = Sep + Ali + Coh 凝聚C: 向邻居中心靠拢

协作基本功：先学会同频

广场舞团新招了二十位新人，王阿姨第一件事不是教动作，而是教“踩点”——音乐的鼓点在哪里，脚步就应该落在哪里。哪怕你手里有一本完美的舞步手册，如果踩点不对，整个队伍照样乱作一团。多 NPC 协作的第一课，同样不是炫酷的智能，而是“同步感知”：所有 NPC 先得看见同一件事、听见同一条消息，才能谈得上配合。

在游戏里，多个 NPC 的协作可以这样理解：每个 NPC 各自运行一棵行为树做个体决策，但彼此共享同一个世界状态。比如村庄里的守卫、猎户、村民三个人，各自的决策逻辑完全不同，可当共享状态里出现“狼来了”，他们会一致地切换到应对状态。这种“个体独立、整体协同”的特征，就是群体行为的基本盘，也是 AI 驱动的游戏玩法里最值钱的部分。

要让行为树支持协作，最常用的扩展是“黑板”（Blackboard）机制。黑板可以理解为全局共享的内存区域：NPC 把自己观察到的结果（看到敌人、听到声响、需要帮助）写上去，别的 NPC 通过读黑板获取信息，再决定自己在行为树的哪个分支上继续走。行为树也可以增加“黑板查询”这种条件节点：巡逻节点先读黑板，读不到异常就继续巡逻，读到异常就切到战斗节点。

你看，舞者跳得好不好，一半靠自己的舞步手册（行为树），另一半靠那块写着“曲目、站位、领舞指令”的公告栏（黑板）。学会了同频，后面的队形变换、紧急避雨、人员流动，才有了讨论的基础。

S={s1,s2,…,sn}S = \{ s_1, s_2, \ldots, s_n \}
黑板里存了 n 条共享信息，每条都有一个键名和一个值；多 NPC 协作的第一步，就是让所有角色都能读写这块“广场公告栏”。
  1. S 表示黑板共享状态的集合像广场角落的公告栏，所有 NPC 都能看、也能往上贴。
    S={s1,s2,…,sn}S = \{ s_1, s_2, \ldots, s_n \}
  2. s_i 表示第 i 条共享信息例如“当前曲目《万疆》”“第三排右侧缺一人”，每条都有一个唯一键名。
    si=(keyi,valuei)s_i = (\text{key}_i, \text{value}_i)
  3. n 表示共享条目总数条目太多，黑板就读不过来了，因此游戏里要控制数量，只广播真正重要的状态。
    n=∣S∣n = |S|

群体算法：三句口诀让舞队活起来

扇子舞开跳前，王阿姨只给新人三句口诀：“别踩脚，跟前面，别掉队。”没有复杂的口令，队伍却总是自动排成漂亮的扇面。一九八六年，计算机图形学家 Craig Reynolds 观察鸟群后提出了同样的三句话，叫 Boids 模型。这三条规则只依赖邻居的局部信息，却能让整个群体“涌现”出队形。

在游戏 AI 里，我们把每个 NPC 当成一个“舞者”，它不需要知道全世界的状态，只需要扫一眼周围的邻居：离我太近的，我推开一点（分离）；大家朝哪边移动，我调整方向（对齐）；周围人都往一个目标走，我别被落下（聚合）。三者合起来，就产生了自然的群体运动，比如村民结队围观、羊群躲避野兽、士兵包抄敌人。

Boids 的数学模型其实就是一个加速度合成公式：最终转向力等于三股力量加权相加。

实现时最常踩的坑是“找邻居”的复杂度：30 个 NPC 两两检查只需 900 次，3000 个 NPC 就是 900 万次。优化方案是空间哈希——把广场画成格子，只检查自己和相邻格子里的对象，平均复杂度从 O(n²) 降到接近 O(n)。三句口诀加一个公告栏，上百个 NPC 就能像一群麻雀一样聚散自如；而真正的任务配合，还得靠下一节的“暗号与黑板”。

a⃗i(t)=α⋅a⃗sep+β⋅a⃗ali+γ⋅a⃗coh\vec{a}_i(t) = \alpha \cdot \vec{a}_{\text{sep}} + \beta \cdot \vec{a}_{\text{ali}} + \gamma \cdot \vec{a}_{\text{coh}}
每个 NPC 每帧先算出“推开力、对齐力、聚合力”三个小箭头，按权重加到一起，就成了它下一步速度的调整方向。
  1. 第 i 个 NPC 的合成转向加速度它是三股力量相加的结果，类比舞者同时收到的“推开”“跟紧”“对齐”三个念头。
    a⃗i(t)\vec{a}_i(t)
  2. 分离项当邻居进入安全距离，就产生背向邻居的推力，防止互相踩脚。
    a⃗sep=∑jp⃗i−p⃗j∥p⃗i−p⃗j∥\vec{a}_{\text{sep}} = \sum_j \frac{\vec{p}_i - \vec{p}_j}{\|\vec{p}_i - \vec{p}_j\|}
  3. 对齐项用邻居的平均速度减去自己的速度，让舞步节奏逐渐一致。
    a⃗ali=v⃗avg−v⃗i\vec{a}_{\text{ali}} = \vec{v}_{\text{avg}} - \vec{v}_i
  4. 聚合项把邻居质心的位置与自己位置做差，方向指向队伍中心。
    a⃗coh=c⃗neighbors−p⃗i\vec{a}_{\text{coh}} = \vec{c}_{\text{neighbors}} - \vec{p}_i
  5. 权重系数α、β、γ 控制三股力量的强弱，想让 NPC 更谨慎就调大分离权重。
    α, β, γ\alpha, \ \beta, \ \gamma

通信机制：舞队暗号与公告栏

换队形时，王阿姨只打一个手势：左手举起来画个圈，前排阿姨立刻蹲下，后排插空上。这个手势就是“消息传递”：一个点对点的指令，只发给附近几个人。音响旁那张粉笔板则是“共享黑板”：谁都能瞄一眼，上面写着今天的三首曲目和结束时间。

多 NPC 协作的通信，通常分两类。第一类是消息传递（Message Passing）：一个 NPC 主动向另一个 NPC 或一组 NPC 发送事件，类似“你左边有敌人”“请帮我治疗”。第二类是黑板/共享状态：大家读写同一块数据，各取所需，类似公告栏。两者各有优劣：消息灵活、有指向性，但多人同时发送会拥堵；黑板简单、扩展性好，但人人都能写，容易“脏”。

工程上，通信成本必须有预算。假设有 N 个 NPC，某个 NPC 每秒发出 m 条消息，总通信量就是所有 NPC 消息量的总和，它必须小于等于引擎的通信预算 B。

舞队的暗号要精炼，游戏里的消息也要精炼。能上公告栏的，就别挨个咬耳朵；能合并成广播的，就别拆成一百句耳语。通信这件事，省着用，才够用。

Ctotal=∑i=1Nmi≤BC_{\text{total}} = \sum_{i=1}^{N} m_i \leq B
一百位阿姨同时喊“向左”，谁也听不见；不如由领舞统一喊一声，再让前排依次传话。总消息量超过预算，就会掉帧或丢消息。
  1. C_total 表示总通信量所有 NPC 每秒发出的消息条数之和。
    Ctotal=∑i=1NmiC_{\text{total}} = \sum_{i=1}^{N} m_i
  2. m_i 表示单个 NPC 的消息量每个 NPC 每秒钟发出的消息条数。
    mim_i
  3. N 表示 NPC 总数参与通信的角色数量。
    NN
  4. B 表示通信预算上限引擎每帧能处理的消息量是固定的，超过就要丢消息或卡顿。
    ∑i=1Nmi≤B\sum_{i=1}^{N} m_i \leq B

协同树设计：编舞师的分工艺术

一首《万疆》跳得好，靠的不是人人一样，而是“分工”：领舞在最前保证动作标准，左翼右翼负责队形对称，后勤组负责搬道具、调音响。王阿姨会给每组发不同的舞步册子，但所有人册子的第一页都写着同一件事：你的站位、你的上场顺序、你听谁指挥。

行为树的协同设计，就是在个体行为树之上叠加“角色分工”和“任务分配”。每个 NPC 不再只有一棵全知全能的树，而是根据身份拥有自己的子行为树：守卫的树里有巡逻、警戒、战斗，治疗师的树里有跟随、补给、治疗。要让这些树各司其职又不错位，就得有一个“分配器”来决定谁去做哪件事。

任务分配最常用的方法是评分制：每个候选任务按多个维度打分，综合分最高的任务优先执行。

多个 NPC 可能同时竞标同一个任务，所以还要有仲裁：先做完的写黑板“已认领”，其他人自动放弃，避免重复劳动。编舞师把同一支舞拆成领舞、侧翼、后勤，各跳各的又拼成整体；游戏里的 AI 策划也把同一个目标拆成多棵行为树，用评分和黑板让它们自然分工。单看每个人都只做一小块，合起来却是一场完整的演出。

Ri=∑k=1mwk⋅scorek(i)R_i = \sum_{k=1}^{m} w_k \cdot \text{score}_k(i)
R 是 NPC 给第 i 个任务的评分，分数由距离、紧急度、自身能力等多个维度加权求和。抢任务的 NPC 越多，评分机制就越重要。
  1. R_i 表示综合评分NPC 对第 i 个任务的总评分，越高越优先执行。
    RiR_i
  2. score_k(i) 表示第 k 维得分例如“距离目标多远”“任务多紧急”“我能不能打”。
    scorek(i)\text{score}_k(i)
  3. w_k 表示第 k 维权重控制距离、紧急度、能力哪个更重要，由策划调参。
    wkw_k
  4. m 表示评分维度总数一共从几个角度打分。
    mm

性能优化：人再多也流畅的秘诀

广场舞跳得最热闹时，广场上聚了上百人。有人问王阿姨：这么多人，怎么保证不卡顿、不乱套？阿姨笑了：前排主力认真学动作，后排外围跟着节奏随缘摆动；人多也不互相干扰。她其实无意中用了游戏引擎最常用的一招——LOD（Level of Detail，细节分层）。

游戏 AI 的“卡顿”往往来自行为树更新：每个 NPC 都要遍历行为树节点，如果上千个 NPC 每帧都更新，CPU 就爆了。优化的核心思路是“按需降频”：离玩家近的 NPC 需要精细决策，远处 NPC 哪怕一秒只更新两三次，玩家也几乎察觉不到。

LOD 调度的经典公式是按距离缩放更新周期：

配合空间分区（把广场划成格子，一帧只更新其中若干格），可以进一步摊平峰值。渲染侧还有一招叫“实例化”（Instancing）：把相同外观的 NPC 合并成一次绘制，GPU 批量处理。后排阿姨“随缘摆动”不是偷懒，而是把算力省给前排主力；游戏里的“近精远疏”是同一个道理——玩家看着的地方绝不糊弄，看不见的地方合理降频。

Ti=Tbase⋅didrefT_i = T_{\text{base}} \cdot \frac{d_i}{d_{\text{ref}}}
NPC 离玩家越远，行为树更新周期越长、更新频率越低。玩家注意不到远处的粗糙，却能明显感受到流畅不掉帧。
  1. T_base 表示基准更新周期理想情况下每个 NPC 的基础更新周期，比如每帧一次。
    TbaseT_{\text{base}}
  2. d_i 表示 NPC 与玩家的距离距离越远，感知优先级越低。
    did_i
  3. d_ref 表示参考距离判定“远/近”的阈值，由场景规模决定。
    drefd_{\text{ref}}
  4. T_i 表示最终更新周期距离越远周期越大，更新频率越低。
    Ti=Tbase⋅didrefT_i = T_{\text{base}} \cdot \frac{d_i}{d_{\text{ref}}}

动态管理：有人进场，有人退场

八点半跳到九点半，阿姨们陆续退场，也有人中途加入。广场的容量不是无限的——太挤了，动作伸不开，还容易互相踩脚。王阿姨的做法是：新来的先去后排观察，等前排有人走了再补位。这一套“进出管理”，对应游戏里的动态群体管理。

动态群体管理要回答三个问题：什么时候生成新 NPC？什么时候移除旧 NPC？区域太挤怎么办？如果玩家走进集市，系统需要临时刷出更多摊贩和顾客；玩家离开后，这些 NPC 该“下班”就下班。密度过高时，新增 NPC 会被推迟，已有 NPC 被引导向低密度区域移动。

密度控制的指标定义为单位面积 NPC 数：

突发事件（比如下雨、怪物警报）会把整组 NPC 的状态机切换到应急状态，原有分布全部作废，重新按“避雨点/躲避点”聚集。广场舞的热闹来自恰到好处的人数：走一个、补一个，挤了就散开，下雨就收摊。游戏里的 NPC 也是如此——让世界永远热闹，但永远不拥塞。

ρ=NnpcAzone≤ρmax⁡\rho = \frac{N_{\text{npc}}}{A_{\text{zone}}} \leq \rho_{\max}
每个区域都有一个密度上限。超过上限就触发“驱散”压力场，把 NPC 推向低密度区域，同时暂停生成新 NPC。
  1. ρ 表示区域密度区域内每单位面积的 NPC 数量。
    ρ\rho
  2. N_npc 表示区域内 NPC 数量该区域当前有多少角色。
    NnpcN_{\text{npc}}
  3. A_zone 表示区域面积以平方米或游戏单位计。
    AzoneA_{\text{zone}}
  4. ρ_max 表示密度上限超出后触发驱散或停止生成。
    ρ≤ρmax⁡\rho \leq \rho_{\max}

调优实战：排练中的意外与补救

那天下雨排练，两个阿姨同时让路：一个往左闪，另一个也往左闪；一个往右让，另一个也往右让。三步之后，两个人堵在原地。王阿姨喊了一句：“你站那别动，她先走。”一句话破解僵局——这就是游戏里的死锁检测与超时回退。

多 NPC 协作最常见的 Bug 是“互相等待”：两个 NPC 同时想扶起同一把椅子，或者同时要给同一个目标让路，行为树都没有“退让”分支，结果一直僵在那里。工程上常用两个手段解决：一是给协作动作加超时，任务在规定时间内没完成就自动放弃重试；二是“优先级化”，让低优先级 NPC 让路给高优先级 NPC，避免对称僵局。

假设 NPC 执行一次协作尝试的成功概率是 p，失败后允许重试 k 次，那么“接下来至少成功一次”的概率为：

实战案例：村庄防守中，三个守卫同时响应“狼来了”，通过黑板协调分别承担“近战牵制”“远程射击”“通知村民”三个任务。近战守卫倒下时，远程守卫自动补位。这就是行为树加黑板加群体控制的分层配合。王阿姨一句“你站那别动”，其实是给系统加了超时和优先级；游戏里的死锁也是这样解开的。

Success=1−(1−p)k\text{Success} = 1 - (1 - p)^k
与其追求单次协作的完美，不如允许试错和重试。连续失败 k 次的概率是 (1-p)^k，用 1 减去它就是至少成功一次的概率。
  1. p 表示单次成功率NPC 执行一次协作动作成功的概率。
    pp
  2. k 表示最大重试次数失败后最多再试几次。
    kk
  3. (1-p)^k 表示连续失败概率每次都失败的情况全部相乘。
    (1−p)k(1-p)^k
  4. Success 表示至少成功一次的概率用整体概率空间减去全部失败的情况。
    Success=1−(1−p)k\text{Success} = 1 - (1-p)^k

AI 应用场景

开放世界村庄协防

阶段：多 Agent 决策与协作

解决的问题：传统沙盒村庄里，每个 NPC 只按各自行为树行动，怪物入侵时村民只会原地逃跑甚至卡在墙角。AI 需要让守卫、猎人、村民共享敌情并分工应对。

具体案例：当玩家引来狼群，守卫发现后立刻写黑板“狼群入侵”并播放警戒事件。村民的行为树检测到黑板状态，从“闲逛”切换为“向屋子撤退”；猎户切换为“远程攻击”，守卫切换为“近战牵制”。若守卫生命值过低，猎户通过消息请求支援，整场防御像一支分工明确的队伍。

MMORPG 主城人流控制

阶段：运行期动态管理

解决的问题：大型多人游戏的主城有大量玩家和 NPC，高峰期城门拥堵、路被堵死，玩家体验直线下降。

具体案例：系统为城区划分网格区域，实时计算 ρ = N/A。当城门口密度超过上限，系统暂停新商贩 NPC 生成，并给行商 NPC 施加“向集市偏移”的驱散力；同时用 LOD 降低远离玩家 NPC 的更新频率，保证高峰期帧率平稳。

RTS 单位编队协同

阶段：群体行为控制

解决的问题：传统编队用硬编码阵型，部队拐弯时互相卡位、队形崩散，玩家操作成本极高。

具体案例：《星际争霸》式部队用三规则 Boids 平滑编队；单位遇到敌人时，医疗兵通过黑板读取受伤单位列表，用评分函数优先治疗血量最低的单位。既有队形美感，又有行为树级别的战术智能。

Python 演示

python67 行
import mathimport random  class Boid:    def __init__(self, x, y):        self.x = x        self.y = y        self.vx = random.uniform(-1, 1)        self.vy = random.uniform(-1, 1)  class Flock:    def __init__(self, n, w, h):        self.w = w        self.h = h        self.boids = [Boid(random.uniform(0, w), random.uniform(0, h)) for _ in range(n)]        self.sep = 24.0        self.vis = 60.0        self.max_sp = 2.0     def update(self):        new_list = []        for b in self.boids:            sx = sy = cx = cy = ax = ay = 0.0            cnt = 0            for o in self.boids:                dx = o.x - b.x                dy = o.y - b.y                d2 = dx * dx + dy * dy                if d2 < self.sep * self.sep:                    sx -= dx                    sy -= dy                if d2 < self.vis * self.vis:                    cx += o.x                    cy += o.y                    ax += o.vx                    ay += o.vy                    cnt += 1            if cnt:                cx = cx / cnt - b.x                cy = cy / cnt - b.y                ax = ax / cnt                ay = ay / cnt            b.vx += sx * 0.30 + cx * 0.05 + (ax - b.vx) * 0.10            b.vy += sy * 0.30 + cy * 0.05 + (ay - b.vy) * 0.10            sp = math.hypot(b.vx, b.vy)            if sp > self.max_sp:                b.vx = b.vx / sp * self.max_sp                b.vy = b.vy / sp * self.max_sp            b.x = (b.x + b.vx) % self.w            b.y = (b.y + b.vy) % self.h            new_list.append(b)        self.boids = new_list  def main():    flock = Flock(30, 640, 480)    for frame in range(20):        flock.update()        if frame % 5 == 0:            first = flock.boids[0]            print("frame", frame, "dancer0:", round(first.x), round(first.y))  if __name__ == "__main__":    main()
目的：用约 60 行 Python 实现一个迷你 Boids 群体模拟，30 个“舞者”在 640×480 的广场上遵循分离、聚合、对齐三规则更新位置，每 5 帧打印首位舞者坐标，验证群体运动不散开也不重叠。
  1. self.boids = [Boid(random.uniform(0, w), random.uniform(0, h)) for _ in range(n)]第 0 行生成 n 个舞者的初始位置，对应广场上的随机站位。
  2. if d2 < self.sep * self.sep:距离平方小于安全距离时触发分离，防止舞者互相踩脚。
  3. if d2 < self.vis * self.vis:在视野范围内才统计邻居，这是“只看旁边的人”的局部感知。
  4. cx = cx / cnt - b.x算出邻居质心后减自己位置，得到朝队伍中心拉的聚合方向。
  5. b.vx += sx * 0.30 + cx * 0.05 + (ax - b.vx) * 0.10把三股力量加权加到速度上，对应 α、β、γ 权重。
  6. if sp > self.max_sp:限制最大速度，避免舞者越跳越快失去控制。
  7. b.x = (b.x + b.vx) % self.w超出边界就从另一侧回来，模拟一个循环的广场空间。

常见误区

误区行为树一棵树管一个 NPC，多 NPC 协作肯定要用状态机或者专门的 Agent 框架，行为树做不了大队 AI。

正解行为树不代表“孤岛”。加上黑板、消息和群体算法后，多棵树完全可以共享状态、分工协作。绝大多数商业游戏仍然以行为树为骨架，用共享黑板和分区调度支撑成群 NPC。编排队伍是同一支舞拆成多本舞步册，而不是扔掉册子。

为何常见：教科书常把行为树单独讲，容易让人误以为它只是单 Agent 决策工具。

误区我把分离、聚合、对齐三个力加上，人群就会像电影里一样聪明，能自己排队打饭、跑路避险。

正解Boids 只解决“运动层”的协调，不解决“任务层”的分工。NPC 还需要行为树决定“我要去买菜还是站岗”，Boids 只决定“我和旁边人保持多少距离、跟谁走”。两者缺一不可。

为何常见：论文动图太漂亮，很多新手误以为 Boids 是全功能群体 AI。

误区NPC 更新得越频繁越真实，掉帧是因为引擎不好，和更新逻辑没关系。

正解人眼对远处小角色的动作细节并不敏感。按 LOD 分层降频、空间分区调度，把算力留给玩家眼前的 NPC，反而会减少卡顿，提升整体真实感。后排阿姨随缘摆动，观众根本看不出区别。

为何常见：本地测试时 NPC 数量少，看不出差异；上千 NPC 同屏压测时才暴露问题。

误区开放世界就得人多，越多越热闹，性能不够就加服务器、换显卡。

正解密度过高会带来拥堵、路线反复让行、消息风暴等问题。优秀的做法是动态密度控制：热点区域维持合理上限，冷区用“氛围 NPC”补充，玩家离开后及时回收。

为何常见：被“大世界”宣传误导，忽略了并发密度对体感和性能的双重影响。

面试题

Q1. 行为树在多 NPC 协作中主要解决什么问题？

单选题 · easy

  • A.绘制 NPC 的模型外观
  • B.决定单个 NPC 下一步行为← 正确答案
  • C.管理场景的物理碰撞
  • D.计算网络的带宽开销

答案：B。行为树是“个体决策”的工具，根据条件选择动作。A 是渲染，C 是物理，D 是网络层；多 NPC 协作要在此基础上叠加黑板和群体算法。

Q2. “黑板”在多个 NPC 协作中扮演的角色最接近哪个比喻？

单选题 · easy

  • A.写给自己看的日记本
  • B.广场边的公共公告栏← 正确答案
  • C.厨房角落里的菜刀
  • D.大楼里的透明电梯

答案：B。黑板是共享状态区域，所有 NPC 都能读写，正如公告栏人人可看可贴。它让“王阿姨换曲目”这类信息一次广播、全员感知。

Q3. 群体行为算法中，“分离”规则的作用是？

单选题 · mid

  • A.让 NPC 朝目标点聚集
  • B.让过近的邻居保持距离← 正确答案
  • C.让 NPC 跟随领舞者朝向
  • D.让 NPC 随机移动增加变化

答案：B。分离在检测到距离过近时产生推开力，防止重叠踩脚。聚集是 A，对齐是 C，随机游走是 D。

Q4. 用 O(n²) 复杂度找邻居，3000 个 NPC 需要循环约多少次？

单选题 · mid

  • A.仅 3000 次
  • B.约 900 万次← 正确答案
  • C.约 9 万次
  • D.约 30 次

答案：B。n² = 3000 × 3000 = 900 万次。优化用空间哈希网格分区可降到每 NPC 只检查相邻格子，平均接近一次扫描。

Q5. 多个 NPC 竞标同一个任务时，常用哪种机制避免重复执行？

单选题 · mid

  • A.随机禁止 NPC 行动
  • B.先认领者写黑板← 正确答案
  • C.让任务永不刷新
  • D.只用一个 NPC 全干

答案：B。某 NPC 在黑板上写“已认领”，其他 NPC 读到后自动放弃同一任务，避免多人重复劳动。这是黑板共享机制的典型应用。

Q6. 以下哪些属于多 NPC 协作的常用通信手段？

多选题 · mid

  • A.点对点的消息传递← 正确答案
  • B.黑板共享状态数据← 正确答案
  • C.修改角色贴图材质
  • D.全局广播事件总线← 正确答案

答案：ABD。消息传递、黑板共享和全局事件总线是三种典型通信方式。修改贴图材质属于渲染层操作，不承载 AI 通信。

Q7. 采用 LOD 调度时，距离玩家越远的 NPC 更新周期应该？

单选题 · hard

  • A.越长，更新频率越低← 正确答案
  • B.越短，更新频率越高
  • C.与距离完全没有关系
  • D.直接停止且永不恢复

答案：A。远处 NPC 不需要高频决策，拉长周期即可省算力；但不能“永不恢复”，玩家靠近时要平滑回升。

Q8. 当某区域 NPC 密度超过 ρ_max 时，合理的处理是？

单选题 · hard

  • A.继续生成更多 NPC 填满
  • B.暂停新增并向外驱散← 正确答案
  • C.直接关闭整片区域
  • D.将所有 NPC 移出地图

答案：B。密度超限会带来拥堵和性能下降。正确做法是暂停新增、把已有 NPC 导出区域；C 破坏玩法，D 反应过度。

Q9. 下面哪些场景可能导致 NPC 协作“死锁”？

多选题 · hard

  • A.两个 NPC 互让卡在原地← 正确答案
  • B.多人占用资源不释放← 正确答案
  • C.行为树分支实在过少
  • D.任务彼此依赖无超时← 正确答案

答案：ABD。死锁的本质是“互相等待、无人让步”。分支太少只影响决策丰富度，不直接造成互锁。

Q10. 关于“行为树 + 黑板 + 群体算法”的分层协作，正确的理解是？

多选题 · extreme

  • A.个体决策归行为树← 正确答案
  • B.黑板共享状态信息← 正确答案
  • C.群体算法管运动层← 正确答案
  • D.群体算法可替代行为树

答案：ABC。三者的分工是个体决策、共享信息、运动协调。D 说反了，群体算法只解决运动层，无法替代行为树的任务决策。