流体模拟的性能瓶颈通常不是单一算法造成的，而是网格分辨率、粒子数量、时间步长和线性求解器共同作用的结果。以经典的欧拉网格法为例，三维场景中若将网格分辨率从64×64×64提升到128×128×128，体素数量会从约26万跃升到约210万，增长接近8倍；再提升到256分辨率，体素数量超过1600万。压力投影步骤需要求解泊松方程，而求解器迭代成本随网格规模呈超线性增长，因此分辨率翻倍往往不是耗时翻倍，而是几倍甚至十几倍。理解这一点之后，才能判断应该降低网格密度、改用粒子法，还是引入自适应结构。
另一个容易被忽略的成本来自粒子与网格之间的数据交换。FLIP等混合方法每一帧都要完成粒子速度到网格的插值、网格求解后再把速度差回传给粒子。当粒子数量很大时，如果邻域搜索采用暴力遍历，复杂度会变成O(N^2)。因此，性能优化不能只盯着网格分辨率，还要同时考虑粒子数量和搜索结构。
一、网格分辨率如何拖慢流体模拟
在欧拉网格法中，流体域被划分成规则体素，每个体素存储速度、压力、密度等物理量。Navier-Stokes方程中的对流项和扩散项都需要在网格上离散，而不可压缩条件要求速度场的散度为零。这个约束通过压力投影实现，其核心是求解一个大规模稀疏线性系统。网格分辨率每提升一倍，线性系统中的未知数数量变为原来的8倍。如果使用雅可比迭代等基础求解器，迭代次数还会随网格尺寸增加，最终耗时可能接近16倍甚至更高。这就是很多实时模拟宁可在细节上妥协，也不愿轻易提高分辨率的根本原因。
除了压力和速度求解，体素数量增加还会加重显式时间步限制。CFL条件要求流体在一个时间步内不能穿过超过一个网格单元。网格缩小后，允许的最大时间步长相应减小，同样模拟1秒流体需要更多步迭代。因此，单纯提升网格分辨率会从空间和时间两个维度同时放大计算量。
一个常见误区是认为只要把网格计算放到GPU上就能任意提高分辨率。GPU确实适合并行遍历体素，但压力求解中的全局信息传播和迭代收敛问题并不会因为并行而消失。当网格规模过大时，显存带宽、共享内存利用率和线程发散反而成为新瓶颈。合理做法是先降低求解规模，再考虑硬件加速。
二、从网格侧优化：自适应细化与稀疏存储
如果场景中流体只集中在局部区域，例如水花飞溅、烟雾卷吸，那么均匀网格会浪费大量体素在空旷空间。自适应网格细化（AMR）根据涡量、密度梯度或自由表面位置动态调整不同区域的体素尺寸：流体变化剧烈的区域使用细网格，静止空气或深水区域使用粗网格。这样相同预算下可以把有效分辨率集中在视觉重点上。工程实现中，AMR通常使用八叉树组织不同层级，并在粗细网格交界处进行插值约束，避免压力求解发散。
另一种思路是稀疏网格或平铺稀疏块。Unity和Houdini等工具中常用稀疏平铺网格存储，只为包含流体或边界的块分配内存。与AMR相比，稀疏块结构更容易并行，因为每个块仍然是规则网格，只是块与块之间独立。对于水面、薄壳流体等分布不均的场景，稀疏网格能把显存占用降低50%到80%，同时保持较好的缓存命中率。
降采样和上采样也是一种工程技巧。先在低分辨率网格上求解压力得到粗速度场，再利用高频细节或湍流模型补充视觉复杂度。这样压力求解成本大幅下降，细节来源从物理模拟转移到程序化噪声或预计算纹理。缺点是无法捕捉真实的小尺度涡旋，但在实时游戏和特效中通常足够。
三、粒子法替代与混合方案：SPH、FLIP和PIC如何取舍
粒子法用大量离散粒子代表流体，不再维护完整网格。SPH（光滑粒子流体动力学）通过核函数在粒子邻域内插值密度和压力，天然适合自由表面剧烈变化、飞溅和破碎场景。但SPH的压力求解若采用显式状态方程，为了维持低压缩性需要很小的时间步；若采用隐式压力求解，则又退化为类似网格法的线性系统。更关键的是，粒子数量增加时，邻域搜索必须使用空间哈希或BVH等加速结构，否则每帧数百万次距离计算会迅速拖垮帧率。
FLIP（Fluid Implicit Particle）和PIC（Particle-In-Cell）属于混合方法：粒子携带速度和质量，网格负责压力投影和不可压缩求解。每一帧先把粒子属性插值到网格，在网格上求解压力后计算速度增量，再回写到粒子。FLIP保留粒子侧的速度变化，数值耗散小，但容易抖动；PIC更稳定，但耗散大。实际实现常用FLIP与PIC的混合系数，例如取0.9到0.97的FLIP权重，既保留细节又抑制噪声。
混合方案的最大优势是可以使用比纯网格法更粗的网格。因为粒子可以提供亚网格尺度的运动信息，网格只需要捕获低频压力场。通常粒子数量是网格体素数的4到8倍时效果较好，但不必盲目增加粒子。粒子过多会抬高邻域搜索、插值和回写成本，且超过一定密度后视觉增益迅速下降。
四、性能调优实战：参数选择与代码示例
假设一个50×50×50的烟流模拟在CPU端耗时严重，首先不要直接升级到128分辨率。可以用以下顺序排查：先统计每帧压力求解耗时占整体比例；如果超过60%，尝试在低分辨率网格上求解压力，再将结果上采样到渲染网格。第二，检查粒子邻域搜索是否使用均匀网格哈希。第三，减少每步线性求解的迭代次数，改用预条件共轭梯度法或多重网格法，收敛速度比雅可比迭代快一个量级。
下面给出一个简单的网格分辨率选择函数。它根据目标帧时间和经验系数，在粒子数量与网格体素数之间寻找一个平衡。该示例不是完整流体求解器，只展示预算判断逻辑。
def choose_resolution(particle_count, target_ms, base_cost=0.00004):
# 假设每个粒子的邻域与回写成本约为基础系数的若干倍
best_grid = 32
best_score = float('inf')
for grid in range(16, 129, 8):
cell_count = grid ** 3
# FLIP混合方案中，粒子数约为网格体素数的4到8倍
ratio = particle_count / max(cell_count, 1)
if ratio < 2 or ratio > 12:
continue
# 压力求解耗时近似与网格体素数成正比，粒子耗时为线性项与搜索项
est_ms = base_cost * cell_count + particle_count * 1.2e-6 + particle_count * 0.0001 * (ratio > 6)
if est_ms < target_ms and abs(ratio - 6) < abs(particle_count / max(best_grid ** 3, 1) - 6):
best_grid = grid
best_score = est_ms
return best_grid, best_score
这个函数把网格体素数的立方增长与粒子数量结合起来做粗略估计。实际项目中，系数需要根据求解器、GPU型号和场景复杂度标定。关键原则是：网格分辨率只负责可压缩性抑制和大尺度运动，粒子数量负责视觉细节，任何一方的无节制提升都会带来边际收益递减。
还可以使用GPU计算着色器做邻居搜索。将粒子按空间哈希排序后，每个线程只检查相邻几个桶，避免全量遍历。下面是一个HLSL风格的简化示例，展示如何根据哈希值访问紧凑粒子缓冲区。
// 计算粒子所在网格桶的哈希，用于排序后邻域搜索
uint ComputeBucketHash(float3 pos, float cellSize, uint3 gridDim)
{
int3 cell = int3(floor(pos / cellSize));
cell = clamp(cell, int3(0, 0, 0), int3(gridDim - 1));
uint hash = (uint)(cell.x) +
(uint)(cell.y) * gridDim.x +
(uint)(cell.z) * gridDim.x * gridDim.y;
return hash;
}
// 在排序后的粒子缓冲区中，线程只扫描哈希相近的范围
void FindNeighbors(uint particleIndex, float3 pos, float radius,
StructuredBuffer<float3> sortedPositions,
uint2 hashRange, out uint neighborCount)
{
neighborCount = 0;
for (uint i = hashRange.x; i <= hashRange.y && i < sortedPositions.Length; ++i)
{
float3 other = sortedPositions[i];
float dist = length(other - pos);
if (dist < radius && dist > 0.0001)
{
++neighborCount;
}
}
}
在HLSL代码中，StructuredBuffer<float3>表示结构化缓冲区，尖括号在代码块内已做转义。hashRange由CPU端根据桶坐标计算，避免GPU线程遍历整个缓冲区。这种方法可以将百万级粒子的邻域搜索耗时从几百毫秒降到几毫秒。
五、选型建议与常见误区
如果流体形态以大面积水面、缓慢流动为主，均匀网格加低分辨率压力求解通常足够。若涉及破碎、泡沫、高速飞溅，优先选择FLIP混合方案，并让粒子数量保持为网格体素数的4到8倍。若只做视觉特效且物理精度要求不高，可以考虑在低分辨率网格上叠加湍流噪声，而不是继续增加粒子。
另一个误区是忽略时间步长与网格分辨率的耦合。提高网格分辨率后，如果沿用原来的时间步长，模拟容易爆炸或产生明显抖动。必须同步减小时间步或切换到无条件稳定的隐式积分器。建议在模拟开始时根据网格单元尺寸和最大流速自动计算CFL时间步，并在运行中动态限制。
最后，性能优化应该建立在测量之上。先用Profiler确定瓶颈在压力求解、对流、粒子插值还是显存拷贝，再决定调整网格分辨率、粒子数量或更换算法。没有一套参数适合所有流体场景，但掌握网格和粒子之间的成本关系，能让你少走很多弯路。