面向行动的AI：规避算法需要很多时间

逃避，即逃避的过程，与追赶相反。与其尝试减少与目标的距离，不如将其最大化。

同时逃避多个对象需要花费大量时间。我在这里使用BFS。为了更快，我应该使用什么算法？

我建议您使用“ 转向行为”来模拟这些行为。有关以这种方式实施的回避行为的示例，请参见此页面。

基本思想是，您仅考虑简单的属性（例如猎物和掠食者的位置和速度矢量）来计算线性时间内这些属性的期望变化。这导致响应迅速而现实的行为。

但是，这是以不考虑其他因素为代价的，例如更高的目标（例如，通电的位置）或静态障碍物的位置，就像您在寻路中那样。可以通过将“转向行为”方法与例如潜在字段（请参阅在实时策略游戏场景（教程）中使用潜在字段）或寻路（例如“ 走廊地图方法”）相结合来考虑这些因素。在后者的情况下，您希望降低更新频率（并信任转向行为以补偿由于此可能发生的任何错误）或进行部分重新计划，可能与更分层的方法（例如，近最佳分层路径查找）结合使用（HPA *）。

如果您想要更具体的答案，请使用有关问题的更多详细信息来改进您的问题。例如，考虑描述您的游戏内容以及我们正在谈论的NPC数量。