启发式搜索A * 算法

转载 2015年11月19日 21:44:08

开篇

这篇文章介绍找最短路径的一种算法,它的字我比较喜欢:启发式搜索。

标题上写的是翻译,只是觉得原文讲解的思路很清晰。这篇文章整体构思和原文相差不多,只是有些地方有小的改动,

我想的是用更容易理解的方式、更简洁的把A*算法的思想呈现出来。

文章中出现的词openlist,closelist我觉得用原文会更好故没有翻译,在文中会有解释。

原文地址http://www.gamedev.net/page/resources/_/technical/artificial-intelligence/a-pathfinding-for-beginners-r2003

各位也可以直接参考原文。

网上关于A*算法的文章还有很多,只是那些都需要有一定的基础,对于入门的好文章不多,而这篇文章就是为初学者而写的,很适合入门的一篇。文章定位:非专业性A*文章,很适合入门。

有图有真相,先给大家看个效果图吧:从图的左下角到右上角寻找最短路径,灰色部分是障碍物。

这是用一般的搜素方法,类似穷举的效果

下面的图是用A*搜素的效果,也就是本文要介绍的算法。

可以看出,用A*算法减少了许多计算量,它的效率有了显著的提高。

下面将为你解答上图中的算法是如何实现的。

图片来源:http://en.wikipedia.org/wiki/A*_search_algorithm

正文

搜索区域介绍

下图是这篇文章讨论的中心:

图中左边的绿色点是搜索的起点A,目标点是右边的红色点B,中间被障碍物挡住(蓝色部分)。

我们的目的是从起点出发,找到一条到达目标点的最短路径。

把整个图都分为一个个小方块只是为了这样方便讨论,更多的应用中,也可以把图分为其它方块的组合。

开始搜索

目标是找出从A点出发到B的最短路径,所以我们从A点开始搜索,直到找到目标B。

搜索的步骤是这样的:

1、从起点A开始把A加入到openlist中。openlist解释:它是一个队列,里面元素是一些方块,它们有可能构成最短路径。现在队列中只有元 素A,以后会加入更多的元素。以后会对里的元素进行检查,从里面来找到构成最短路径的元素。

2、看起点A周围的元素是否可达(是否能从A到达它们)把从A可到达的元素加入到openlist中,并且加入到openlist中的节点维护一个指指针,指向他的父亲,也即A点。如果A周围有障碍物就忽略它。从这个图看, A周围把个元素都可达,所以把它们都加到openlist中。

3、把起点A放入closelist中,在closelist中的点意味着以后不需要再去考虑它了。对于A节点,A可达的点都加入到了openlist中,以后也就不用考虑A的情况了。

经过以上三步操作后的效果图如下所示

图中被暗绿色包围的就是openlist中的点,一共八个,都是从起点A可达的点,并且他们中的每个都有一个指向他们父节点的指针(图中的小针方向)被高亮绿色包围的表示closelist中的点,可以看出起点A已经在closelist中。

路径选择

从起点出发 ,下一步可以走的点现在有八个,选取哪一个作为下一步的点呢?正常的思维是选取一个离目标值最进,且在这些点中离远点最近的点。

本文的思路也是这样的,文中用

F = G + H

表示,其中:

对于每个点,都有自己的G、H、F。

其中G表示从特定的点到起点的距离,H表示从该点到目标的估值,那么F就是经过该点路径的估值。

下面详细介绍

G:从起点到特定节点的距离,也就是G的父节点加上从G的父节点到起点A的距离g。图中是边长为10的正方形块,所以就是G的父节点的值g

加上10(上下左右相邻)或者加上14(斜块相邻、也就是对角线的长度,本来是14.14、、为了方便计算这里取近似值)

H:H能用很多方法得到估计值.这里用到的方法称为Manhattan method,H的值就是从考虑的点通过水平和垂直移动达到目标点的移动步数乘10(正方形块的边长为10).注意只是水平和垂直移动,不走斜线。并且忽略图中的障碍物。

插一句:

看了对H的描述,你可能会怀疑这种估计的精确性,有一点是可以肯定的:估计值越接近真实值,算法就能更块的找出最短路径。我们用的这种方法确实是做了估计,只是这种估计准确性不高,就是说只是粗略的估计,因为这种方法容易理解,所以才采用这种方法。可以想到,太过接近的估值最后不一定能得到想要的结果。关于估值函数想了解更多请参见:http://www.policyalmanac.org/games/heuristics.htm

为了从openlist中选取一个点继续搜索,就要计算出openlist中的每个点的F、H、G的值然后选取F小的一个点,进行下一步的探索。

对于上图中的点,他们的F、G、H的值在图中都有标明。

F、H、G的位置在起点右边的点中已经有标注,其他点的位置同理。

现在看起点右边的点(也就是标有字母的点)G=10,因为在起点正左边。H=30,水平移动三个格子可以到目标点B。F=G+H=40

继续搜索

由于我们的目的是找最短路径 ,下一步就从openlist中选取F最小的点做进一步的搜索,按如下步骤进行:

(为了方便描述,把选取的点成为点M)

1、检查M周围的点,在closelist中则忽略它,如果可达且不在openlist中,则加入openlist中,同理的维护一个指向父节点的指正,同时计算加入点的F H G 值。

2、如果M周围的点在openlist中,则看从起点A通过M到这类点的路径是不是小于他们的G值,如果是则更新他们的G、F值(更新为小的)。如果不是则不做任何操作。

3、把M从openlist中移除,加入closelist中。

对openlist中F最小的点(也就是起点左边的点)的处理效果如下图所示:

M的右边、右上、右下是障碍物,所以忽略他们。M的左边点在closelist中,也不去管他,剩下的是M的上、下、左上、左下的点。他们已经在openlist中,所以看从起点通过M到他们的距离是不是小于他们的G值。通过判断,都比他们的G值大,所以做任何操作。

可以看出,现在的closelist已有两个元素了(高亮绿色包围的块)

下一步的操作和上面叙述的一样,从openlist中找出F最小的,重复上的操作。从图中可以看出,现在的openlist中F最小的有两个,就是刚刚考虑的点的正上方和正下方,其实这里选哪个都无所谓,只是人们习惯于选择较晚加入到openlist中的元素,这里选择下方的点。

同理,处理效果如下图所示:

下面简单的说下处理过程:

暂且称现在处理的点为N吧。

N上方  在closelist中,不考虑。

N左方 在openlist中,看从原点通过N到它的距离为14+10大于10,不做操作,跳到下一步

N的左下方,下方 加入openlist中,同时记录F、G 、H的值还有指向父节点的指针。

N的右下方这里看做“不可达的点”原因是这两个点都处于障碍物的对角上,当然这只是一种人为的规定。也可以取消这条规定就把它加入到openlist中。这只是一种规定,不必深究。

处理的结果是closelist中现在有三个元素,用高亮的蓝色标记,同样的,openlist中的元素用暗绿色标记出。

 

重复上的步骤,每次从openlist中选取F最小的点加入closelist中,同时处理这个点周围的元素。。

直到目标节点也被加入到closelist中停止。

处理的效果如下图所示:

如果用心看、你也许已经发现了,在起点正下方两个点的G值,没错,就是图中用椭圆圈起来的点,之前的G=28,现在是20。这是在算法进行的时候更新的,可能 是这其中的某一步,处理这个点的时候,发现了一条更短的路径20,替换了原来的28。

到这里,问题已经基本解决了,最后的任务就是得到这条路径。

只要从目标点出发,沿着他们的父节点遍历,直到起点。就得到了一条最短路径。

如下图所示

总结

 现在你应该对A*算法有一个初步的认识了吧,总结下算法的实现过程:

1、把起点加入到openlist中

2、重复以下步骤

  a、从openlist中找出F最小的节点,并把它当做当前的操作节点

  b、检查当前点周围的点,如果已经在openlist中看是否能通过当前点得到更小的G,如果能就更新那个点的G,F的值,如果在closelist中或者是障碍物(不可达)则忽略他们

  c、把当前点从openlist中移除 ,加入closelist中

  d、当目标点加入closelist中时停止

3、保存路径,从目标点出发,按照父节点指针遍历,直到找到起点。

后记

 其实启发式搜索就是对穷举的一种优化,让每次搜索都更接近目标。这就要通过估值函数实现,对于这类问题,找到一个估值函数是关键。

估值函数:从当前点出发到目标点的花费。其实从这个理念上说,好像和分支界限法有些类似,都是在穷举的基础上对搜素优化。

 

 

如有转载请注明出处:

http://www.cnblogs.com/yanlingyin/

一条鱼~

尹雁铃@博客园

相关文章推荐

五子棋AI算法第四篇-启发式搜索函数

什么是启发式搜索之前我们讲到需要优化一个重要的函数,就是 gen 函数 顾名思义就是生成待搜索的位置的函数。这个函数目前做了一个很简单的处理,就是只要一个空位的周围有邻居即可。而其实这么做是非常不合理...

实用算法实现-第 14 篇 启发式搜索

14.1    A*搜索 A*(A star)算法是一种很好的树搜索策略,在许多人工智能的书籍中有所介绍。比如《人工智能,一种现代方法》和《人工智能,复杂问题求解的结构和策略》。 [i]文介绍到,...
  • fsdev
  • fsdev
  • 2011年10月23日 00:15
  • 6146

八数码游戏分析—启发式搜索算法(2)

大家通过阅读 八数码游戏分析——启发式搜索(一) 应该对解决八数码的启发式搜索算法有了一个大致的印象了,那么我就开始介绍基于 八数码游戏分析——启发式搜索(一)的一种改进的算法。 改进的启发式搜索策...

启发式搜索算法

启发式搜索算法 - 基本介绍   在说它之前先提提状态空间 搜索。状态空间搜索,如果按专业 点的说法就是将问题求解过程表现为从初始状态到目标状态寻找这个路径 的 过程。通俗点...

A*算法——启发式的广度优先搜索

一.A*算法         A*算法与普通的BFS不同的点在于,BFS始终是以当前节点到初始节点的距离为基准,每次都选取较小值进行扩展。而A*算法则是通过一个估价函数F(x) = G(x) + H(...

A*启发式搜索算法详解 人工智能

A*启发式搜索算法详解 人工智能 转自:http://dev.gameres.com/Program/Abstract/Arithmetic/AmitAStar.mht 我们尝试解决的问题是把一个游戏...

CMPSCI 683 AI 第三讲 启发式搜索-A*算法

作为AI课的预习笔记,搜索了下启发式搜索 A*算法的一些经典资料,整理到下面,这个算法很有意思,有时间自己实现一下。[1] 一个老外写的A*算法实例解说,写的非常翔实易懂,这是一个中文翻译版 http...

热烈推荐: A*算法 (启发式搜索的入门篇,必看)转载

热烈推荐: A*算法 (启发式搜索的入门篇,必看)转载 (2005-10-8 21:56)在搜索式算法中,A*算法算是个分水岭。因为它引入了启发式估价函数,从“瞎搜”转化到了“有目标的搜索”。学会了A...

八数码问题-启发式搜索(A*算法)

八数码问题是这样一个问题。有一个3x3大小的棋盘,上面放着标记有1~8八个数字的方形棋子,剩下一个区域为空。 每一次只能移动一个棋子到相邻的空区域上,8个棋子都移动到如下图所示的位置时,就结束了。...

启发式搜索 - 有趣而神奇的 A* 算法

前言在课堂上听老师讲了一个人工智能的基础小算法,感觉神奇而有趣,便自行研究一下。研究了几个小时,总算实现了。想写一篇博文来记录一下今天的学习经历,那么,就请有兴趣的各位跟我一起从零实现一个简单的A星寻...
  • Goo_x
  • Goo_x
  • 2016年11月26日 20:22
  • 409
内容举报
返回顶部
收藏助手
不良信息举报
您举报文章:启发式搜索A * 算法
举报原因:
原因补充:

(最多只允许输入30个字)