当我们要对一张地图进行寻路时,首先要对这张地图打掩码,掩码可能会有多种,如可通过,不可通过,被挡住,沉下等。这取决于你的需求。我们以最简单的方式来介绍A*寻路。
(一)结构的设计,数据的存放
A*寻路需要2张表,一张叫close表,里面存放的是你找到的可能适合你走到终点的格子,也就是说,你最后寻到的路的格子都在这个close表里面。一张叫open表,里面存放的是你找路过程中,尝试过的格子。
我们先为地图画格子,然后给每个格子记个编号。我们为格子记个结构,这个结构很简单,它里面只有格子的掩码,如下:
struct ST_GRID
{
ST_GRID() { gfFlag = GRID_FLAG_DEFAULT; }
GRID_FLAG gfFlag; // 格子的掩码,这是一个枚举值
};
我们用一个vector来存放所有格子的掩码,vector<ST_GRID> m_vecGrid;我们还需要一个用于寻路过程的结构,如下:
struct NODE
{
NODE() { nIndex = 0; nG = 0; pChildNode = NULL; }
int nIndex; // 格子的索引
int nG; // 格子的G值
NODE* pParentNode; // 格子的父节点
};
我们用一个vector来存放最终搜索到的路径。vector<int> m_vecPath;这个表里面的元素是格子的索引。接下来,我们定义两个局部变量,vector<NODE*> vecClose,这是close表,vector<NODE*> vecOpen,这是open表,表里存的是格子的索引。不要紧张你看到的G值和父节点的作用,后面会讲解G值是什么和父节点的作用。
(二)开始寻路
1)走第一步
看上面的图,蓝色格子是障碍,红色格子是起点,绿色格子是终点,其他的都是可通过的格子,我们要做的就是从红色点寻路到绿色点。
1、我们从红色点开始,因为是从它开始,就把它放入close表。并且,他的父节点指向NULL。周围的8个格子,除了86这个格子为不可通过之外,其他的都是可通过的,我们将它们全部放进open表。看下图,所有标白色的格子都是放入了open表的格子。
在放入open表之前,我们需要做一件事情,就是标识这个格子是从哪一个格子寻过来的。我们是从图中的红色格子搜索到周围8格的,所以,把父指针指向红色格子105。哦, 指针是C++的叫法,java,python等等的朋友,就叫引用。
2、我们需要用几个值来确定下一个点从哪里开始。这是A星寻路的核心,F = H + G。在红色格子周围的7个格子里(86不可通过,已经被忽略),F值最小的,就是我们的下一个起点。我们把下一个起点叫X。
G = 红色起点到X的距离。注意,G值永远都是起点到X点的移动量。我们把水平距离定为10,把对角距离定位14。即红色格子105与可通过格子106的距离是10,与可通过格子126的距离是14。我们定水平距离为10,根据勾股定理,对角等于14.14,我们取整数14,计算可以更快,误差也不大,是可以接受的。
H = X到绿色终点的估值距离。以X为106为例子,这个距离等于X点106与绿色终点67的水平距离 + X点106与绿色终点67的垂直距离 = (1 + 2 )*10= 30,也就是相差的格子数 * 10,* 10是因为我们定义相邻两格的水平距离和垂直距离都是10。
好了,H知道怎么算了,G也知道怎么算了,F = H + G,也可以算了。
上图标出的黄色的数字,就是对应格子的F值。你算对了吗?我只标出85,86,106这三个格子,其他84,104,124,如果你有兴趣,可以算下哈。但是,你应该直眼就能看出,他们的F值应该超过40,因为他们距离绿色终点格子67都比较远。
看86格,它的G值 = 红色格子105与自己86的距离,根据勾股定理,G值为14,它的H值 = 自己86与绿色终点67的水平距离+垂直距离 = 10 + 10 = 20,所以它的F值 = H + G = 20 + 14 = 34。当然,它是不需要被计算的,因为它是不可通过的格子,已经被忽略了,我只是举个例子。
前面我说过,下一个起点格子,是F值最小的,那么格子85和106,他们的F值都是40,我们应该选谁呢?其实,在这里选谁都一样,当你在84,85,106,126,125,124,104之间算最小值得时候,你肯定会定义一个minF,然后将所有格子的F与minF比较,如果更小,你就会取那个格子的索引。这完全取决于你所用的算法。我们就假设106这个格子是你选到的下一个格子吧。
看上面的图,我们选定了106,于是,他就进入了close表,我们用灰绿色表示。105,106这两个已经都在close表里了。
我们继续来选下一个格子。
2)走第二步
灰绿色格子106周围,86,87,107都不可通过,我们不管,以前红色的格子105,它已经在close表里了,close表,里面存放的是你找到的可能适合你走到终点的格子,既然已经进去了,那我们也不管这个格子了,85,125,126,127,都是可通过的格子,按照上面的叙述,我们应当将他们放进open表,对吧。127是新搜索出来的格子,直接加入open表,问题是85,125,126这几个格子,他们已经在open表里了,当我们以灰色格子106为起点时,他们再一次被检索出来,我们该怎么处理他们呢,直接不管吗?哦,不,不行,你应该这样操作。
以85为例子。85之前的父格子是红色格子105,他的G值是10,现在它是灰色格子106选出来的,它与灰色格子106的G值是多少呢?是14吗?不是的,85与灰绿色格子106的G值应该是14 + 灰绿色格子与父格子之间产生的G值,也就是灰绿色格子106之前保存的G值,所以,应该是14 + 10 = 24。因为G值,是起点与当前格子之间的移动量,而不是新起点与当前格子之间的移动量。我们的比较是这样的,看谁的G值更小。85之前的G值是10,这次的G值是24,好吧,那还是按照之前的G值,也就是我们再一次的忽略他了。(假如,这里85原先的G值比现在的大的话,我们应该这样处理,改变85的G值,并将他的父格子转换为新的格子,也就是父格子从之前的105,转为灰色格子106,并且,G值为24。)
显然,85格子是我们搜索到的下一个格子,我们将他放入close表。close表和open表看起来应该像下面这张图这样子。灰绿色格子在close表里,白色点所在格子都在open表里。
(三)寻到终点
当你按照上面的方法进行搜索,到最后到达绿色点67时,你就应该终止你的寻路了。
参照上面的图,在close表里,你会有105,106,85,66,67这几个格子。并且,106的父格子是105,85的父格子是105,66的父格子是85,67的父格子是66。那么从67开始,沿着父格子找到起点,就是你寻出来的路了。最终,你会寻到的路如下图:
(四)A星寻路的核心代码示例:
void CGrid::FindPath()
{
vector<NODE*> vecOpen;
vector<NODE*> vecClose;
m_vecPath.clear();
if (m_nStartIndex == -1 || m_nEndIndex == -1)
{
return ;
}
// 起始点加入close表
NODE *startNode = new NODE;
startNode->nIndex = m_nStartIndex;
startNode->nG = 0;
startNode->pChildNode = NULL;
vecClose.push_back(startNode);
int nDeadLoop = 0;
int a = 0;
while(true)
{
if (nDeadLoop++ >= 200)
{
// 删除open表
for (int i = 0; i < (int)vecOpen.size(); i++)
{
delete vecOpen[i];
}
vecOpen.clear();
// 删除close表
for (int i = 0; i < (int)vecClose.size(); i++)
{
delete vecClose[i];
}
vecClose.clear();
m_vecPath.clear();
MessageBox(m_pWnd->GetSafeHwnd(), "找不到路了", "不好了", MB_OK);
return ;
}
int nIndex = vecClose[vecClose.size() - 1]->nIndex;
if (nIndex == m_nEndIndex) // 找到了终点就停止
{
break;
}
// 找新的点加入open表
for (int nDir = 0; nDir < 8; nDir++)
{
int nNextIndex = this->GetNextIndexByDir(nIndex, nDir);
if (nNextIndex < 0|| nNextIndex >= (int)m_vecGrid.size())
{
continue ;
}
if (this->GetFlag(nNextIndex) != GRID_FLAG_DEFAULT)
{
continue ;
}
// 已经在关闭列表里的就不用再拿出来找了
if (IsInThisTable(vecClose, nNextIndex))
{
continue ;
}
// 已经在open表里,检查G值是否更小
if (IsInThisTable(vecOpen, nNextIndex))
{
NODE *pNode = NULL;
for (int i = 0; i < (int)vecOpen.size(); i++)
{
if (vecOpen[i]->nIndex == nNextIndex)
{
pNode = vecOpen[i];
break;
}
}
if (!pNode)
{
break;
}
int nG = vecClose[vecClose.size() - 1]->nG + GetGByIndex(nNextIndex, nIndex); // 父节点G值加上自己的G值
if (pNode && pNode->nG > nG)
{
pNode->nG = nG;
pNode->pChildNode = vecClose[vecClose.size() - 1];
}
continue ;
}
NODE *nextNode = new NODE;
nextNode->nIndex = nNextIndex;
nextNode->nG = vecClose[vecClose.size() - 1]->nG + GetGByIndex(nextNode->nIndex, nIndex);
nextNode->pChildNode = vecClose[vecClose.size() - 1];
vecOpen.push_back(nextNode);
}
// 找open表里F值最低的
int nMinF = 0xFFFFFF;
int nMinIndex = 0;
int nDestX = m_nEndIndex/ this->GetStageCol();
int nDestY = m_nEndIndex % this->GetStageCol();
for (int i = 0; i < (int)vecOpen.size(); i++)
{
int nX = vecOpen[i]->nIndex / this->GetStageCol();
int nY = vecOpen[i]->nIndex % this->GetStageCol();
int nH = (abs(nDestX - nX) + abs(nDestY - nY))*10;
int nG = vecOpen[i]->nG;
int nF = nH + nG;
if (nF < nMinF)
{
nMinF = nF;
nMinIndex = i;
}
}
if (nMinIndex >= 0 && nMinIndex < (int)vecOpen.size())
{
vecClose.push_back(vecOpen[nMinIndex]);
vecOpen.erase(vecOpen.begin() + nMinIndex);
}
}
// 寻路完成,找最优路径
NODE* pEndNode = vecClose[vecClose.size() - 1];
while(pEndNode && pEndNode->nIndex != m_nStartIndex)
{
m_vecPath.push_back(pEndNode->nIndex);
pEndNode = pEndNode->pChildNode;
}
m_vecPath.push_back(pEndNode->nIndex);
// 删除open表
for (int i = 0; i < (int)vecOpen.size(); i++)
{
delete vecOpen[i];
}
vecOpen.clear();
// 删除close表
for (int i = 0; i < (int)vecClose.size(); i++)
{
delete vecClose[i];
}
vecClose.clear();
m_pWnd->Invalidate();
}
上面这份源代码,就是A星寻路的主要逻辑,是不是很简单呢?嘿嘿。。。
如果你参考网上其他文章,搞了很久都搞不出来,或者找不出最优解,一般问题都出在对G值的判断与处理上,请参考本文有关G值描述的地方,相信你很快就写出自己的A星寻路。用黄色背景突出,只是希望找不到最优解的你能驻足一下,嘿嘿~~~
(五)几种典型图的寻路结果
好了,A星寻路算法就写到这里了,有疑问的朋友请留言哈~~~