1.UE4游戏客户端开发进阶学习指南
2.Recast Navigation 源码剖析 01 - Meadow Map论文解析与实验
3.A星寻路算法详解
4.ET框架学习笔记（二）：编程与运行
5.游戏场景体素构建
UE4游戏客户端开发进阶学习指南
UE4游戏客户端开发的进阶学习指南已经更新，适合有一定基础的寻路寻路读者。本文将引导你深入学习，源码源码提供精心筛选的网页网页学习资源，分为必修和选修两部分。寻路寻路必修部分包括官方文档的源码源码ug插件源码编程与脚本编写、UProperty关键字全说明、网页网页GamePlay架构系列和骨骼网格动画等，寻路寻路这些都是源码源码开发的基础和核心内容。选修部分涵盖了蓝图开发、网页网页C++编程、寻路寻路Gameplay Ability System (GAS)、源码源码动画、网页网页UI、寻路寻路AI、源码源码网络架构以及编辑器扩展等进阶内容，适合根据个人兴趣和项目需求进行选择。
首先，理解UE4的整体架构是关键，官方的引擎架构图能帮助你建立框架认知。接下来，深入学习编程和蓝图开发，理解UObject类型系统，将有助于你构建游戏玩法。GamePlay模块教你如何运用GAS实现各种功能，如游戏阶段切换。动画部分，乐动力源码从官方文档开始，ALS高级运动系统是核心，选修内容涉及过场动画和底层源码解析。UI开发中，UMG控件、Slate和动态创建动画是基础，根据需求选择更深入的内容。
AI部分，从行为树和感知模块入手，选修内容包括行为树源码和寻路算法。网络部分，官方文档和网络同步原理是必修，ReplicationGraph插件对于大世界场景尤为重要。编辑器扩展和渲染视觉效果则适合选修学习，如Lyra工程和GameFeature框架提供了UE5新特性的学习机会。
记住，每个模块的资料都是为了帮助你提升UE4客户端开发的技能，根据实际情况选择适合的路径，持续提升你的开发能力。作者的个人博客资源供你参考和深入学习。
Recast Navigation 源码剖析 - Meadow Map论文解析与实验
本文深入解析了Meadow Map论文及其在Recast Navigation中的应用。Recast Navigation是一款常见的游戏开发寻路库，源于芬兰开发者Mikko Mononen的初始工作。Meadow Map方法，由Ronald C. Arkin于年提出，为现代Navmesh系统奠定了基础，gradle 自动下载源码特别强调长时间存储地图的有效策略。
Meadow Map通过凸多边形化动机，提出了一种优化存储和访问3D地图数据的方法。相较于传统的基于网格的寻路方法，Meadow Map采用凸多边形化来减少节点数量，从而提高性能效率，特别是针对平坦区域。凸多边形化的核心在于利用凸多边形内部任意两点直接相连的特性，构建寻路图。
Recast Navigation系统使用凸多边形化来处理3D场景，通过算法自动将3D场景转换为2.5D形式，以便于寻路。与Meadow Map类似，Recast也采用了基于凸多边形边缘中点作为寻路节点的策略，构建寻路图以供A*算法使用。这种方法简化了搜索空间，提高了寻路效率。
在实现Meadow Map时，需解决多边形分解成多个凸多边形的问题。此过程通过不断消除多边形中的非凸角，递归生成凸多边形，实现多边形化。同时，处理多边形内部的障碍物（holes）时，需找到与可见顶点相连的内部对角线，将空洞并入多边形内部。duilib 最新源码
路径改进方面，Recast Navigation采用String Pulling方法，旨在优化路径，避免路径的抖动和非最优行为。这一策略在实际应用中提升了路径质量，使得寻路过程更为流畅。
总之，Meadow Map和Recast Navigation在采用凸多边形化来构建寻路图的基础上，通过不同实现细节和优化策略，有效提高了游戏中的路径寻路效率和性能。通过深入理解这两种方法，游戏开发者可以更好地选择和应用合适的寻路库，以满足不同游戏场景的需求。
A星寻路算法详解
A星寻路算法详解
A星算法是解决静态路网中求解最短路径的有效直接搜索方法。其核心公式为F = G + H，其中F表示当前点的总估价，G表示从起始点到指定网格的实际代价，H表示从当前网格点到终点的预计代价。启发函数的大小取决于计算H代价的函数，常用启发函数包括曼哈顿距离和欧几里得距离。
曼哈顿距离是指在坐标系中，从一个点到另一个点沿着网格线（水平或垂直）的距离。欧几里得距离是指在n维空间中，两点之间的直线距离。在二维空间中，欧几里得距离可以通过勾股定理得到。德州扑克 ios 源码
A星算法的实现步骤包括：根据核心公式计算当前点的F值，选取F值最小的点进行探索。计算其周围相邻节点的G、H、F值，更新节点的G、F值和父节点。若节点已探索，则跳过，否则加入openList并计算其F值。重复上述步骤直至找到终点。
通过例子展示A星算法的实现过程。在网格地图中，黑色方格表示障碍物，白色方格为可通行区域，绿色方格为起点，红色方格为终点。根据算法步骤，计算每个节点的G、H、F值，选择F值最小的节点进行探索。在探索过程中，若遇到障碍物则H值不受影响。最终找到一条从起点到终点的最短路径。
A星算法是一种启发式搜索算法，通过启发式函数评估每个节点，并选择具有最低F值的节点作为下一个要探索的节点。最终，算法会找到一条最优路径。
通过一个网站演示A星算法的过程，项目源码可以在相关链接中查看。欢迎关注公众号“前端架构师笔记”了解更多精彩文章。
ET框架学习笔记（二）：编程与运行
首先，通过Unity Hub打开ET源码中的unity文件夹，切记不要直接打开Client-server.sln。在Unity的首选项中配置VS编辑器，随后随便打开一个脚本进行操作。
接着，用VS打开Client-server.sln，确保"禁止完整生成项目"设置为false，如图所示。然后，分别在右侧Client文件夹选择Unity.Mono进行重新生成，接着对整个解决方案进行重新构建。
运行时，启动Server.APP（保持打开状态），在Unity界面中，按指定步骤操作，切换到Assets文件夹下的Scene，将挂载在Global下的脚本Code Mode调整为Mono模式。点击运行，执行登录和enter操作，将进入预设场景，此时你可以对小人进行右键操作，实现自动寻路功能。
对于多个小人的实现，需要对项目文件进行打包。首先调整打包显示为窗口模式，然后在Tools中启用打包工具，根据需要勾选相关选项。若遇到打包问题，可参考提供的链接et-framework.cn/d/-e...解决，如果涉及到IL2CPP问题，可在Unity Hub找到对应编辑器，点击齿轮图标，选择添加模块并勾选相关选项，安装后重启项目即可。
完成打包后，定位到指定运行程序的路径，确保Server.app持续运行。再次在Unity中点击运行，你将看到多个小人成功运行。至此，ET框架自带的demo运行过程就已完成！
游戏场景体素构建
目前，体素寻路方案日益流行，一些开发者盲目跟风，这究竟是道德的沦丧还是人性的扭曲？在一些寻路专家看来，体素并非完美方案，但3D格子的概念更接近大家熟悉的2D网格，降低了开发者的入门门槛。然而，体素也有其独特的应用场景，让我们继续了解。
每种寻路方案都有相应的使用场景，有难度之分，无优劣之分。优秀的开发者应视使用场景选择不同的解决方案。例如，场景中有大量建造、空中飞行，可以选择体素方案；少障碍物、大世界可以选择recastnavigation；随机生成地图可能选择A*+格子。
没有最好的寻路数据结构，只有更适合的。就像开发语言一样，每种语言都是为了解决一种或几种问题而存在。以下是recastnavigation和体素的比较，同时也体现了它们的使用场景。
首先，我写的体素是基于recastnavigation的工程开发，新添加了一种构建方式。目的是做寻路场景构建工具集，就像集合类库一样，ArrayList、LinkedList、HashMap用哪个自己选，不同的需求选择不同的构建方式，以达到最佳性能效果。
1. 支持功能：构建体素，地图大小支持2K2K，高度支持米；A*寻路；动态添加阻挡物；静态、动态数据分离，相同场景多个实例共用一份静态数据；后端全量加载，前端局部加载，加载策略开发者自定义；区域标记，area支持种；层数层；其他小点。
专业词汇解释：Heightfield（高度场）、Cell（格子）、Span（cell上的一段实心区间）、空心span、Area（地表信息）、Flag（角色能够穿越哪些Area的能力）、静态区域、动态区域。
构建过程包括光栅化、体素优化、构建反体素、剔除封闭空间、标记area区域、构建agent半径区域、去掉smin为0的层、构建ServerInstance、全局去重cell、构建ClientInstance、按tile去重cell、动态地形。
动态地形生成过程包括Cells优化、Spans优化、运行时体素化、内存优化。
寻路采用a*和jps均可，网上原理和代码很多。文章最后，希望大家把recastnavigation源码看一遍，等我写完注释之后也会上传一份。
