游戏服务器AOI兴趣点算法原理--四叉树与九宫格 (golang)

2年前 (2022) 程序员胖胖胖虎阿

245 0 0

定义

获取感兴趣的区域（Area Of Interest）的算法。主要用于常用的游戏服务器压力，降低网络风暴的可能。

常见的AOI算法有九宫格，四叉树，灯塔，十字链表等算法。本文主要举例九宫格和四叉树两种算法的golang版本实现。

九宫格

九宫格可以说是最容易理解的一种AOI兴趣算法。

举例：世界坐标是X[20,200]，Y[50,230]，划分成6×6的网格为：
游戏服务器AOI兴趣点算法原理--四叉树与九宫格 (golang)

从图可看出，九宫格是把地图根据x，y轴坐标划分为等比例的一张网格地图，每个格子带有一个id编号，当玩家每次移动后根据玩家坐标将玩家置入到相应的格子中，通过把玩家在内的九个格子的所有玩家数据取出得到兴趣用户。

数据结构

type Grid struct {
    GID      int      //格子ID
    Entities sync.Map //当前格子内的实体
}
 
type GridManger struct {
    StartX    int // X区域左边界坐标
    StartY    int // Y区域上边界坐标
    AreaWidth int // 格子宽度(长=宽)
    GridCount int // 格子数量
    grids     map[int]*Grid
    pool      sync.Pool
}

通过横纵坐标获取对应的格子ID

func (g *GridManger) getGIDByPos(x, y float64) int {
    gx := (int(x) - g.StartX) / g.gridWidth()
    gy := (int(y) - g.StartY) / g.gridWidth()
 
    return gy*g.GridCount + gx
}

根据格子的gID得到当前周边的九宫格信息

func (g *GridManger) getSurroundGrids(gID int) []*Grid {
    grids := g.pool.Get().([]*Grid)
    defer func() {
        grids = grids[:0]
        g.pool.Put(grids)
    }()
 
    if _, ok := g.grids[gID]; !ok {
        return grids
    }
    grids = append(grids, g.grids[gID])
    // 根据gID, 得到格子所在的坐标
    x, y := gID%g.GridCount, gID/g.GridCount
 
    for i := 0; i < 8; i++ {
        newX := x + dx[i]
        newY := y + dy[i]
 
        if newX >= 0 && newX < g.GridCount && newY >= 0 && newY < g.GridCount {
            grids = append(grids, g.grids[newY*g.GridCount+newX])
        }
    }
 
    return grids
}

增删查

func (g *GridManger) Add(x, y float64, key string) {
    entity := entityPool.Get().(*Entity)
    entity.X = x
    entity.Y = y
    entity.Key = key
 
    ID := g.getGIDByPos(x, y)
    grid := g.grids[ID]
    grid.Entities.Store(key, entity)
}
 
func (g *GridManger) Delete(x, y float64, key string) {
    ID := g.getGIDByPos(x, y)
    grid := g.grids[ID]
 
    if entity, ok := grid.Entities.Load(key); ok {
        grid.Entities.Delete(key)
        entityPool.Put(entity)
    }
}
 
func (g *GridManger) Search(x, y float64) []string {
    result := resultPool.Get().([]string)
    defer func() {
        result = result[:0]
        resultPool.Put(result)
    }()
    ID := g.getGIDByPos(x, y)
    grids := g.getSurroundGrids(ID)
    for _, grid := range grids {
        grid.Entities.Range(func(_, value interface{}) bool {
            result = append(result, value.(*Entity).Key)
            return true
        })
    }
 
    return result
}

四叉树

可以明显看到九宫格算法需要一次性开辟出所有的网格，无论格子中是否存在一定数量的玩家。当一次性出现陈千上万的网格，对服务端的资源浪费可想而知。类似的算法与灯塔算法亦是如此。当然也有一些算法对此做了优化但终有取舍。

四叉树算是一种比较完备的AOI算法。四叉树也是在二维图片中定位像素的唯一适合的算法。

游戏服务器AOI兴趣点算法原理--四叉树与九宫格 (golang)

数据结构

type Node struct {
    Leaf      bool      // 是否为叶子节点
    Deep      int       // 深度
    AreaWidth float64   // 格子宽度(长=宽)
    XStart    float64   // 起始范围
    YStart    float64   // 起始范围
    Tree      *QuadTree // 树指针
    Child     [4]*Node  // 子节点
    Entities  *sync.Map // 实体
}
 
type QuadTree struct {
    maxCap, maxDeep int
    radius          float64
    mPool           sync.Pool
    *Node
}

检查节点是否可以分割

func (n *Node) canCut() bool {
    if n.XStart+n.AreaWidth/2 > 0 && n.YStart+n.AreaWidth/2 > 0 {
        return true
    }
    return false
}

检查节点是否需要分割

func (n *Node) needCut() bool {
    lens := 0
    n.Entities.Range(func(key, value interface{}) bool {
        lens++
        return true
    })
    return lens+1 > n.Tree.maxCap && n.Deep+1 <= n.Tree.maxDeep && n.canCut()
}

分割节点

func (n *Node) cutNode() {
    n.Leaf = false
    half := n.AreaWidth / 2
 
    n.Child[leftUp] = NewSonNode(n.XStart, n.YStart, n)
    n.Child[rightUp] = NewSonNode(n.XStart+half, n.YStart, n)
    n.Child[leftDown] = NewSonNode(n.XStart, n.YStart+half, n)
    n.Child[rightDown] = NewSonNode(n.XStart+half, n.YStart+half, n)
 
    // 将实体迁移到对应子节点
    n.Entities.Range(func(k, v interface{}) bool {
        entity := v.(*Entity)
        for _, node := range n.Child {
            if node.intersects(entity.X, entity.Y) {
                node.Entities.Store(entity.Key, entity)
            }
        }
        n.Entities.Delete(k)
        return true
    })
 
    n.Tree.mPool.Put(n.Entities)
    n.Entities = nil
}

增删查

func (n *Node) Add(x, y float64, name string) {
    // 判断是否需要分割
    if n.Leaf && n.needCut() {
        n.cutNode()
    }
 
    // 非叶子节点往下递归
    if !n.Leaf {
        n.Child[n.findSonQuadrant(x, y)].Add(x, y, name)
        return
    }
 
    entity := entityPool.Get().(*Entity)
    entity.X = x
    entity.Y = y
    entity.Key = name
 
    // 叶子节点进行存储
    n.Entities.Store(entity.Key, entity)
}
 
func (n *Node) Delete(x, y float64, name string) {
    if !n.Leaf {
        n.Child[n.findSonQuadrant(x, y)].Delete(x, y, name)
        return
    }
 
    if entity, ok := n.Entities.Load(name); ok {
        n.Entities.Delete(name)
        entityPool.Put(entity)
    }
}
 
func (n *Node) Search(x, y float64) []string {
    result := resultPool.Get().([]string)
    defer func() {
        result = result[:0]
        resultPool.Put(result)
    }()
    n.search(x, y, &result)
    return result
}
 
func (n *Node) search(x, y float64, result *[]string) {
    if !n.Leaf {
        minX, maxX := x-n.Tree.radius, x+n.Tree.radius
        minY, maxY := y-n.Tree.radius, y+n.Tree.radius
 
        for _, son := range n.Child {
            if son.intersects(minX, minY) || son.intersects(maxX, minY) ||
                son.intersects(minX, maxY) || son.intersects(maxX, maxY) {
                son.search(x, y, result)
            }
        }
        return
    }
 
    n.Entities.Range(func(key, value interface{}) bool {
        *result = append(*result, value.(*Entity).Key)
        return true
    })
    return
}