A*算法之旅之初识A*算法（一）

A算法之旅之初识A算法（一）

声明在前：通过最近一段时间对A*算法的学习，对这个算法有了一定的了解，在此总结以备后用。疏漏之处，在所难免，欢迎批评指正。

---

对于仅仅想了解A*算法的朋友，以下有三篇文章：
A* Pathfinding for Beginer
A* Pathfinding for Beginer 译文 有少许指代不明
理解A*算法具体过程 给出的代码有一点疏漏，后文会指出，如果是本人错了，也希望大家指正。

---

下面是深入学习A算法，在此感谢一篇优秀的文章，本人的学习大部分都是通过它而来，"堪称最好的A算法讲解"，英文论著，有条件的朋友不妨去看一下，一定有不少收获。本文中大多数图片都引用自它。以下是相关链接：最好的A算法-英文版，对于英语不是太好的朋友，这里有一篇对于上文的翻译，不过翻译的不够全面，很多部分都跳过了，不过还是很有帮助的：最好的A算法-中文版（部分）。

---

##简介：
先给出一个权威的定义：A算法，A（A-Star）算法是一种静态路网中求解最短路最有效的方法。通俗的来讲，就是给定一个图，里面有很多点，求解从起始点（start）到终止点（end）的最短路径。

---

###算法引入：
A*算法相对于一般的算法的优越性在于它的函数构建上，它有一个独特的估价函数，称之为f(n)，函数形式如下：
f(n) = g(n) + h(n)
函数说明：
g(n) 是从start 点开始到当前节点current的耗费函数（cost，此处耗费是广义的，可以理解为是距离、时间等）。

h(n) 是从当前节点current到end点的启发函数（heuristic），它反映的是从current到end的即将可能产生的耗费，实际上它是未知的，我们只能大致估测出它的值，因此也就不难理解为什么是启发函数了，它启发我们后续可能的结果，因此让我们判断更准确高效。

f(n)就是估价函数了，它能给我们这个节点的可取度，文章论述中 以 更小 优先处理，如果某个节点f(n)小于另一个节点的f(n)，就说明前一个节点的可取度更高，我们会优先考察它。

好了，我们继续
普通的节点依次考察，逐层扩散，如下图：

此图红点为start点，蓝点为end点，而所有的浅蓝点代表红点寻路过程中考察过的点，由此图我们可以很轻易地看出，浅蓝色点从红点开始，为寻找一条路径逐层扩散，它考察了很多根本不必要的点，比如整个左侧的点，这就造成了他效率的下降。比较有代表性的就是dijkstra算法：
这里简要介绍一下该算法思想，将start点加入一个队列，考察队列第一个点，删除该点，依次将该点的周围点加入一个队列，进行下一步的循环考察，删点，加点，考察。。。直到队列中没有下一个点（证明该图中没有可行路径），或者end点被加入该队列，说明找到可行路径。
从算法中也很轻易地看出，该方法是扩散式的，没有明确的目的，因此造成时间上的开销很大。这种情况对应的就是h(n)=0的情况，启发函数没有给我们任何信息，因此只能盲目的遍历。

如果只考虑目标会不会更好？比较经典的有best-first-search算法，如图：

此时假如我们的节点知道通过哪个节点会使得目标路径更近，它就会暂时放弃那些看起来会使目标路径更远的点，直到当前节点可能到达的路径均被证明不可行。通过这个我们就可以看出来，它的效率比上文中的dijkstra算法要高，因为它使用了精确的启发函数（启发函数一般不精确），让节点的考察趋向于它所以为的接近。这就是所谓的贪心策略了：总是找目前看起来最好的，不考虑已经产生耗费。从上述函数的角度讲：就是g(n) = 0的情况。从上图中看出，离蓝点越近，点的颜色越黑，代表它的启发值越近。

这听起来很不错，它的效率已经可以让我们可以接受了。但是。。。假如路径中存在障碍呢？看下图：

这就是一个陷阱，在搜索点逐渐向目标点靠近时，它无法预测前方可能的情况（可能是障碍：耗费 无穷大，不可行，也可能是相比周围点耗费比较大的点，虽然可行，但是不如绕个弯更优），因此也就导致了多次的搜索死点（对最终路径毫无帮助的点），而且它甚至不能保证最后的路径是最短的！

而与之对应的是dijkstra算法：

该算法虽然比BFS(best-first-search)多搜索了一倍多的点，但是，它最终给出了一条最短路径。

小结：能否将二者优点结合起来呢？因此也就有了A算法，它同时考虑g(n) 和 h(n)，既考虑已经产生的耗费cost，又考虑可能产生的耗费。而与BFS稍有不同的是，BFS中通常每一个点的cost都是确定的，而我们这里的启发函数h(n)是一个大概取值，不一定精确。同样，A基于无法保证最佳解的启发式方法，A*却能保证找到一条最短路径。

---

###A*算法：
在此仅以游戏中的寻路问题讨论A算法，A是路径搜索中最受欢迎的算法，因为它的灵活和可扩展，便于用于各种情况。
和dijkstra相同，它能给出最短路径；和BFS相同，它能用启发函数导向自己快速接近end点。
在简单情况下，它和BFS一样快：

在障碍例子中，它和dijkstra都能给出最短路径<但不是最优解，所谓的最优解是指只考察最短路径周围的点，忽略非必要的点>：

算法关键点就如上文所说，它将两个算法的优点结合起来，同时考虑g(n) 和 h(n)，构成独特的估价函数 f(n) = g(n) + h(n)。
每次在主循环中寻找下一个可行的节点时，既考虑当前已产生的耗费–>从start到current的cost，又考虑接下来可能要产生的耗费–>从current到end的cost，选取二者和最小的节点进行考察。

以下给出该算法思想的当前伪代码（待细化）：

将 start 加入 一个空队列中
while（队列不为空）
    考察队列中最优的元素;
    将该元素移出队列;
    添加元素邻近元素入队列;
    if(队列中有end)
        路径找到;结束;
未找到路径;结束;

好了，第一篇到这里就结束了（还有一些坑没填呢_{），有兴趣的朋友可以继续往下看第二篇：)}A算法之旅之初识A算法（二）