A*算法-路径规划

照着A*算法的原理自己用代码实现了下,虽然基本的功能都实现了,不过在实际运用上还有很多可以改善的地方,趁着刚学会A*算法整理下自己的思路。借用热心分享知识的网友图片大致讲解下A*算法的实现过程。

这里写图片描述

其中绿色方块表示起点,红色方块表示终点,蓝色方块表示障碍物。本篇文章格子只能上、下、左、右移动

寻路步骤:

1.从起点开始,把它作为一个待处理的方格加入到 ”开启列表” 中,(本人把方格抽象为一个类,使用list存储结点)。在这里使用list链表存储开启列表里面的所有方格。

2.寻找起点周围可以到达的方格(周围八个方格),并把起点设置为这些方格的 “父节点”,然后把周围的四个点加入到 “开启列表中”,根据列表中节点的 f(x) 值进行升序排序(从小到大)。

这里贴图解释一下,假设把方格到达上下左右的邻格路程为10,那么方格到右上角,左上角,右下角,左下角邻格的的距离大概是14,以此计算。f(x)=g(x)+h(x)其中f(x)为上图方格左上角的值,g(x)为方格左下方的值,h(x)为方格右下方的值。其中 g(x) 的值表示从起点到指定方块的移动值,这里可以认为起点的g值是0,方块每移动一格(g值就加10,斜着移动g值加14),。h(x)的值表示从指定方块到终点的最佳移动距离。假如当前点A的坐标(x,y),终点B的坐标(x1,y1),如果只能上下左右移动则 h(x) = |x1-x|+|y1-y|,如果如上图所示可以移动八个方向则h(x)=|x1-x|+|y1-y|乘以根号2(10乘根号2约等于14)。图中方格的左边为g(x)值,右边为h(x)值,上边的为 f(x)值。知道这些后应该能明白第2个步骤怎么实现了吧。

3.从开启列表中删除起点,并把它加入到 “关闭列表” 中。

4.现在的开启列表中存有起点周围的四个节点,把四个节点中 f(x)值最小的节点(即开启列表中的第一个元素)做为路径的下一个探测点。

5.检查这个探测点相邻能到达的节点(障碍物和关闭列表的节点不予考虑),如果这个探测点周围能达到的点不在开启列表中则把这些点加入开启列表(记得每往开启列表中插入一个点时,最好根据f(x)的值进行插入,使得开启列表中的节点一直是按f(x)值的大小升序排序)。如果某个相邻方格已经在开启列表中,检查如果用新的路径也就是说先经过当前方格,再到达这个相邻方格的g值是否更小(简单来说就是当前方格的g+10或者14(具体看移动轨迹)>这个相邻方格的g,则不经过当前方格才是一条更好的路径),否则因为这个相邻节点已经有父方格,应该把这个相邻方格的父方格改为当前方格,并且这个相邻方格的g=当前方格的g+1)。

6.把探测节点从开启列表中删除,然后把探测节点加入到关闭列表中,继续从开启列表中找出f值最小的方块,转到步骤2,一直循环到开启列表的大小为0或者找到目标方块为止。

而如果想要提取路径点的话,你可以从终点开始提取它的父方格,从下图可以看到从终点箭头的指向一直指到了起点。这些格子就是最优路径点。

下面是寻路代码:

void AStar::lookPath(NodeItem &start, NodeItem &goal)
{
    this->goal = goal;
    openList.clear();
    closeList.clear();
    //把起点插入到开启列表,本函数插入元素按照元素的f(x)值进行升序排序,保证第一个元素的f(x)值最小
    addToOpenList(start);
    list<NodeItem>::iterator it;
    while (openList.size()) {
        it = openList.begin();
        //取出f(x)值最小的元素
        NodeItem first = *it;
        qDebug()<<"node X:"<<first.x<<"\t node Y:"<<first.y<<"\t node gCost:"<<first.g<<"\t node hCost"<<first.h<<"\t node fCost"<<first.fx();
        if(*it == goal)
        {
            qDebug()<<(*it).parent->x<<(*it).parent->y;
            addPathNodeListByGoal(*it);
            qDebug()<<"finished=============addPathNodeListByGoal";
            break;
        }
        openList.pop_front();
        //把这个元素周围能到达的点添加进开启列表,添加后按照元素的f(x)值的大小进行排序(建议使用二分法把当前元素插入开启列表)
        closeList.push_back(*it);
        addNeighBorNode(first);
    }
    printPathNodeList();
}

下面的链接是我自己写的一个demo,需要的可以参考

https://download.csdn.net/download/qq_33200959/10817026

如果有哪里没叙述明白的请留言,以便我及时改进

 

  • 5
    点赞
  • 73
    收藏
    觉得还不错? 一键收藏
  • 13
    评论
A*算法求解八数码问题 1、A*算法基本思想: 1)建立一个队列,计算初始结点的估价函数f,并将初始结点入队,设置队列头和尾指针。 2)取出队列头(队列头指针所指)的结点,如果该结点是目标结点,则输出路径,程序结束。否则对结点行扩展。 3)检查扩展出的新结点是否与队列中的结点重复,若与不能再扩展的结点重复(位于队列头指针之前),则将它抛弃;若新结点与待扩展的结点重复(位于队列头指针之后),则比较两个结点的估价函数中g的大小,保留较小g值的结点。跳至第五步。 4)如果扩展出的新结点与队列中的结点不重复,则按照它的估价函数f大小将它插入队列中的头结点后待扩展结点的适当位置,使它们按从小到大的顺序排列,最后更新队列尾指针。 5)如果队列头的结点还可以扩展,直接返回第二步。否则将队列头指针指向下一结点,再返回第二步。 2、程序运行基本环境: 源程序所使用编程语言:C# 编译环境:VS2010,.net framework 4.0 运行环境:.net framework 4.0 3、程序运行界面 可使用程序中的test来随机生成源状态与目标状态 此停顿过程中按Enter即可使程序开始运行W(n)部分; 此停顿部分按Enter后程序退出; 4、无解问题运行情况 这里源程序中是先计算源状态与目标状态的逆序对的奇偶性是否一致来判断是否有解的。下面是无解时的运行画面: 输入无解的一组源状态到目标状态,例如: 1 2 3 4 5 6 7 8 0 1 2 3 4 5 6 8 7 0 运行画面如下: 5、性能比较 对于任一给定可解初始状态,状态空间有9!/2=181440个状态;当采用不在位棋子数作为启发函数时,深度超过20时,算法求解速度较慢; 其中启发函数P(n)与W(n)的含义如下: P(n): 任意节点与目标结点之间的距离; W(n): 不在位的将牌数; 源状态 目标状态 P(n) 生成节点数 W(n) 生成节点数 P(n) 扩展节点数 W(n) 扩展节点数 2 8 3 1 6 4 7 0 5 1 2 3 8 0 4 7 6 5 11 13 5 6 1 2 3 8 0 4 7 6 5 0 1 3 8 2 4 7 6 5 6 6 2 2 4 8 2 5 1 6 7 0 3 7 4 2 8 5 6 1 3 0 41 79 22 46 6 2 5 8 7 0 3 1 4 0 3 6 7 1 8 4 5 2 359 10530 220 6769 7 6 3 1 0 4 8 5 2 2 8 7 1 3 4 6 5 0 486 8138 312 5295 下图是解决随机生成的100中状态中,P(n)生成函数的生成节点与扩展节点统计图: 由上图可知,P(n)作为启发函数,平均生成节点数大约在1000左右,平均扩展节点数大约在600左右; 下图是解决随机生成的100中状态中,W(n)生成函数的生成节点与扩展节点统计图: 由上图可知,W (n)作为启发函数,平均生成节点数大约在15000左右,是P(n)作为启发函数时的平均生成节点的15倍;W (n)作为启发函数,平均扩展节点数大约在10000左右,是P(n)作为启发函数时的平均扩展节点的15倍; 下图是解决随机生成的100中状态中,两个生成函数的生成节点与扩展节点统计图: 由上述图表可以看到,将P(n)作为启发函数比将W(n)作为启发函数时,生成节点数与扩展节点数更稳定,相比较来说,采用P(n)作为启发函数的性能比采用W(n)作为启发函数的性能好。 6、源代码说明 1)AStar-EightDigital-Statistics文件夹:用来随机生成100个状态,并对这100个状态分别用P(n)与W(n)分别作为启发函数算出生成节点以及扩展节点,以供生成图表使用;运行界面如下: 2)Test文件夹:将0-8这9个数字随机排序,用来随机生成源状态以及目标状态的;运行界面如下: 3)AStar-EightDigital文件夹:输入源状态和目标状态,程序搜索出P(n)与W(n)分别作为启发函数时的生成节点数以及扩展节点数,并给出从源状态到目标状态的移动步骤;运行界面如下: 提高了运行速度的几处编码思想: 1、 在维护open以及close列表的同时,也维护一个类型为hashtable的open以及close列表,主要用来提高判断当前节点是否在open列表以及close列表中出现时的性能; 2、 对于每个状态,按照从左到右,从上到下,依次将数字拼接起来,形成一个唯一标识identify,通过该标识,可以直接判断两个状态是否是同一个状态,而不需要循环判断每个位置上的数字是否相等 3、 在生成每个状态的唯一标识identify时,同时计算了该状态的空格所在位置,通过空格所在位置,可以直接判断能否行上移、下移、左移、右移等动作; 4、 只计算初始节点的h值,其它生成的节点的h值是根据当前状态的h值、移动的操作等计算后得出的,规则如下: a) 采用W(n)这种方式,不在位置的将牌数,共有以下3中情况: i. 该数字原不在最终位置上,移动后,在其最终位置上 这种情况下,生成的子节点的h值= 父节点的h值-1 ii. 该数字原在最终位置上,移动后,不在其最终位置上 这种情况下,生成的子节点的h值= 父节点的h值 +1 iii. 该数字原不在最终位置上,移动后,还是不在其最终位置上 这种情况下,生成的子节点的h值= 父节点的h值 iv. 该数字原在最终位置上,移动后,还在其最终位置 这种情况不存在 b) 采用P(n)这种方式,节点与目标距离,可通过下面3步完成 i. 首先计算在原位置时,与目标位置的距离,命名为Distance1 ii. 移动后,计算当前位置与目标位置的距离,命名为Distance2 iii. 计算子节点的h值: 子节点的h值 = 父节点的h值- Distance1+ Distance2 5、 在任意状态中的每个数字和目标状态中同一数字的相对距离就有9*9种,可以先将这些相对距离算出来,用一个矩阵存储,这样只要知道两个状态中同一个数字的位置,就可查出它们的相对距离,也就是该数字的偏移距离;例如在一个状态中,数字8的位置是3,在另一状态中位置是7,那么从矩阵的3行7列可找到2,它就是8在两个状态中的偏移距离。
基于MATLAB的A*算法可以用于实现机器人在栅格地图上的三维路径规划。A*算法是一种启发式搜索算法,可以有效地找到从起点到终点的最短路径。 首先,我们需要将栅格地图表示为一个三维矩阵。该矩阵的维度为地图的长度、宽度和高度。每个栅格可以被标记为可通过的空间或者不可通过的障碍物。 接下来,我们定义一个启发函数,用于评估从当前栅格到目标栅格的代价。常用的启发函数包括欧几里得距离或曼哈顿距离。 然后,我们创建一个开放列表和一个关闭列表来存储待扩展的栅格和已经扩展的栅格。初始时,起点栅格加入到开放列表中。 在每次循环中,从开放列表中选择具有最小代价的栅格作为当前栅格,并将其移入关闭列表中。然后,对当前栅格的相邻栅格行扩展,计算它们的代价并更新它们的父节点。 如果目标栅格被加入到关闭列表中,路径搜索结束。否则,继续寻找开放列表中最小代价的栅格。 最后,将从目标栅格回溯到起点栅格的路径提取出来,即可得到机器人在栅格地图上的三维路径规划。 在MATLAB中,可以使用循环或递归实现算法。同时,可以将地图的可视化和路径的显示添加到代码中,以方便观察和调试。 总结起来,基于MATLAB的A*算法实现机器人在栅格地图上的三维路径规划需要定义启发函数、开放列表和关闭列表,然后通过迭代选择最小代价栅格行扩展,并最终提取路径。这样可以在栅格地图中找到起点到终点的最短路径。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 13
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值