热门游戏：
在即时战略(RTS)游戏中，寻路系统一般需要满足以下几个条件：
1)效率高，由于rts地图普遍较大，单位较多，因此处理效率很重要；
2)易编辑，便于level design；
3) 效果真实，如能找出最优(或者是看上去合理)路径；
4) 可以应对动态的游戏世界，例如起建筑。
根据@王亞暉所说，用于寻路的算法一般是A Star。为何是A Star而不是其他函数呢？
首先，A Star用到启发式函数(Heuristic Function)[1]，和另一个算法Dijkstra(A Star的无启发函数版)相比可能会更有效率，因为启发函数设计得当，可以大大减少计算量。
又因为启发函数的估计往往不是精确的，所以A Star不一定能找出高出人类认知的最优解。但是对于游戏来说，看上去合理就行。
然而用A Star作为寻路算法，仅仅是解决了寻路系统基础部分的问题。作为系统，它还要有易编辑的特性。这就涉及到A Star中每个节点(Node)的表现方式问题。
一个最基本的表现方式是方块(Tile)，如下图
我们可以将山洞所占的的几个方块设为“Not Movable”，这样A Star就会不会考虑到这几个方块，系统所生成的路径就不会碰到山洞。用方块作为AStar节点，其优点是简单，但也存在一些问题：
1)如果地图很大，方块就变得很多，这样A Star的节点就会大大增加，处理时间也会相应增大；
2) 单位的移动只能是上下左右，最多加上斜行，总共八个方向，不够真实；
3) 如果单位的体积大小不一致的话，大单位的图像可能会覆盖到“Not Movable”部分。
以上图为例，若有一条路线途经山洞边，那么一个占四个方块大小的巨人走过该路径的话，就会走在山洞上面。
为了解决使用方块时面临的这些问题，我们可以使用路经点(Waypoint)来做A Star节点，如下图
图中的红色的路径点代替了方块，成为A Star节点，这样的好处是我们可以自由地添加路径点，并相对地减少A Star节点数目。同时，单位也可以按照设计师设计的方法走。但是，我们从上图也可以看出这种方法也存在一定缺陷：
1)如果是大地图，路径点数量太少会显得生硬。
2) 需要考虑得面面俱到，不然一条直路忘了加路径点，单位就会“绕”(看上去)过去。
为了更好地解决以上问题，导航网格(Navmesh or Navigation Mesh)出现了，如下图所示
现在，灰白色的多边形成为了A Star节点，它很好地解决了上面所出现的所有问题：
1) 从图中可以看出，节点的数目大大减少，因为多边形可以覆盖任意区域，因此不用将其限制成方块或点。使用这种方法，除了能提高计算速度外，编辑导航网格的效率也能获得提升。
2) 通过计算直线两点和导航网格的相邻点(上图蓝色点)的位置关系，可以计算出两点是否能直接行走而没有阻碍物阻挡。例如上图从A点到B点通过计算可以得出可以直线行走，而不用像方块和导航点那样绕来绕去。
3) 在转角位不一定要经过相邻点，可以加上单位的体积半径，这样不同体积的单位都可以合理地通过转角。
对于建筑的考虑：
对RTS中的寻路系统来说，除了上述问题，还有一个很重要的要素需要考虑——就是它必须能应对动态的游戏世界。举一个简单的例子，起建筑。
在一些需要频繁修改游戏世界的场景中，以方块为节点会更加容易作出修改 ——只需要将建筑所占的方块的“Not Movable”修改成“Movable”。
例如著名的塔防游戏《Field Runner》应该就是利用这种方法来实现的。而且作为塔防，《Field Runner》可以只在建塔之后寻路一次，缓存起来就行，所以在这一场景中方块成为了一个方便快捷的选择。
然而，导航网格也是可以动态修改的，不过开发难度会更大，而且运行中动态修改可能会造成延迟。有一些方法可以优化，例如动态地修改局部导航网格，或者是完全不修改，而将建筑看作局部的障碍物用另一套机制来应对。
其实除了AStar算法之外，还有其他算法或技巧可用于RTS的寻路系统，在这里简单地介绍一下：
Potential Field：
它是将地图用一个矩阵来表示，矩阵储存着大小不同的电势(整数)。例如，正电势表示吸引，负电势表示排斥。游戏中的单位本身是一个负电势，游戏以一个数组储存所有单位的电势和位置。
那么在计算一个单位需要怎么从A点到B点时，我们可以用一个新的矩阵将目的地B点设成正电势，并以不同方式(如圆形、四边形等)辐射开，离B点越远电势越低，直到0。
然后将地图矩阵，目的地矩阵，和所有单位数组的电势相加，得出一个新的、反映当前游戏世界的电势矩阵。然后单位再选择周围所有电势点中的最高电势点去走。不过这里坑很多，因为它本质上是Greedy Algorithm，所以未必能找出解。
但在某些设定中，例如在没有过于复杂地形，并且需要单位自动不相互覆盖的情况下，PotentialField还是可以完成任务。因为相比A Star的寻路系统来说，这个方法会比较简单。
Flocking Behavior：
在对于一大群单位的寻路，计算量是很大的，而且往往会有很多的重复，这些都是可以避免的。
如果单位的移动是利用Steering Behavior来实现的话，那么就可以为其中一个单位，称之为Leader，计算路径(例如用导航网格)，然后其他单位按照以下Flocking原则来移动：
1) 分离，避开相邻单位；
2) 一致，和整体的移动方向一致，这里应该是Leader的移动方向；
3) 聚合，向整体的平均位置靠拢；
这样的话，就可以降低寻路的计算量，并且能得到更加真实的群体单位行进效果。
另外一个技巧和Flocking Behavior类似：
对于不用Steering Behavior的一大群单位，可以将他们设为一个组，计算这个组的路径(并且要考虑到这个组的半径以便通过转角位)，然后给每个单位offset一个适当的距离。
如果遇到小的通道(例如门)可以适当调整offset。
《全面战争》里面一个队伍40人，大概就是用的这种方法。
还有一个优化技巧是Chunk ：
这个技巧和 @王亞暉所提到的“先切分地图然后分块去做”应该是一致的。
在规模宏大的地图中，为了进一步提高寻路速度，可以在编辑地图时将一些节点处理成一个Chunk，它有入口和出口，并且不同Chunk之间需要连接起来。
从A点移动到B点，首先在Chunk之间做寻路，得到一系列的Chunk，在Chunk 1的时候只需要在Chunk 1中寻路，去到Chunk 2的时候就只在Chunk 2中寻路。
它本质上是将地图分为两种维度，一种是粗略的Chunk，一种是Chunk里面的节点(可以是方块，路径点，导航网格)，并分开进行处理。有种空间分割(SpacePartition)的味道在里面。
这个方法我没有真正用过，还望大家补充。
