BFS 和 A * 学习记录

这一周的视频课主要讲述的是广度优先算法和 A * 算法。

---

广度优先遍历 (BFS)

​​​​​​​

 以上图为例，要实现网格地图下最短路径的搜索，并且不能越过途中橙色区域的障碍物。

 每一次从当前位置可以进行上下左右四个方向的运动（图中绿色部分），从起始点开始会有四个绿色方块，然后依照广度优先算法，会标记绿色区域为 “边界”，再以边界为当前位置，依次朝他们的上下左右方向探索。

以此类推，直至探索到目标点。在探索过程中，会记录下探索方块的来向，如图：

 

 比如下图中，绿色方块上的白色箭头就代表了上一个方块的位置：

 所有探索过的路径，我们会标记他为灰色，这样在进行算法实现的时候，我们就不会访问曾经已经探索过的区域：

 广度优先算法显然可以帮我们找到最短路径，但有一些 “傻”，因为这样的路径探索是没有方向性的，在最坏的情况下，算法要跑完整个地图才能找到最短路径，如图：

---

 A * 算法

与广度优先算法所不同的是，我们在探索地图的时候，不会去探索所有的” 边界方块 “，也就是上面图中的绿色方块，我们会去探索代价最低的方块：

 这里的代价（其实和代价地图的代价的意思差不多）代表两个含义，或者说是由两部分代价组成的，一个是 F-cost（当前路径代价），比如你从起点出发，一共走过多少个格子，当前代价就为多少（这是在此例子中的一种简单表述），比如下图中箭头所指位置是走 3 个格子后到达的，当前路径代价就是 3：

 另一部分的代价我们称为 G-cost（预估代价），他用来表示从当前方块到终点方块大概需要走多少步，就像名字一样，预估代价，这代表预估量并不是精确的数值，比如数值为 5，并不代表一定会走 5 步到达目标点，这只是一个大概的估计值，不过我们会用这个估计值去指导算法优先搜索更有希望的路径。最常用到的预估距离有【欧拉距离】，在视频课里也称为【欧几里得距离】，也就是我们通常认为的两者之间的直线距离：

还有更容易计算的曼哈顿距离，也就是两点在垂直方向和水平方向的距离总和。曼哈顿距离的计算不用开方，较为简便，我们先以他作为 “预估代价”：

 以这个简单例子为例，在第一轮搜索中，算法对起点周围的四个方块进行探索，计算出” 当前路径代价 “和” 预估代价 “ (图中的 X+Y 形式)，在右边的这个方块显然代价最低，1+4=5<1+6=7，在下一轮搜索中就会以他为目标进行搜索：

 

以此类推，会一直搜索代价最小的方块： 

---

 A * 代码实现部分

frontier = PriorityQueue ()  存放这一轮中所有探索过的边界方块，也就是图中的绿色方块，另外他是一个优先队列，也就是说，他能够通过” 代价 “自动排序

frontier.put (start , 0)   存放起点

came_from = {} 这是从当前方块到之前方块的映射，代表路径的来向

cost_so_far = {} 代表方块的当前路径代价

came_from [start] = None 和 cost_so_far [start] = 0 将起点的路径来向置空，并将代价设置为 0；

接下来只要 frontier 队列不为空，循环就会一直进行下去，每一次循环优先抽取队列中代价最低的方块，然后检测这个方块是不是终点，如果是，算法结束，如果不是则继续下去，接下来会对这个方块的上下左右相邻块（也就是上图中的 next）进行如下操作：

1. 算法会先去计算这个 next 方块的新代价

2. 更新当前路径代价为之前的代价 + current 到 next 块的代价，以图中的方格地图为例，current 到 next 的代价就是 1

3. 然后只要 next 块没有被探测过，或当前路径代价比之前找到的还要低，就把他加入优先队列中，并且总代价等于当前路径代价 + 预估代价。

 视频在某哔搜A*应该就能找到。

贴上能帮助理解的网站 https://www.redblobgames.com/pathfinding/a-star/introduction.html

说说个人理解 A * 里面关键的部分吧，如视频课程中所说 "代价" 其实分两部分组成，一个是 "当前代价" 一个是 "预估代价"，而他们关键的作用是："当前代价" 最为重要的一点是当搜索 "当前最优点" 附近的未被搜索过的节点数为 0 时，这时就该考虑这个 "当前最优点" 是否合适了，这时就以这个 "当前代价" 为参考标准，看是否有更小的 "当前代价" 值了，若有，则将这个点替换为 "当前最优点"