【全局路径规划】A*算法 A* Search Algorithm

A Formal Basis for the Heuristic Determination of Minimum Cost Paths

PETER E.HART NILS J. NILSSON BERTRAM RAPHAEL

---

启发式算法的特点：

• 提高计算效率
• 不一定能保证得到最优解

Admissible Algorithm 可接受的算法：在足够多的步数内一定能找到最优解

Optimal Way 最佳方式： 既保证能找到最优解，又能保证展开的节点数最少（步数少）

A*算法步骤：

1. 标记起点s为open，计算起点的估计代价
2. 选择open点集中估计代价最小的点
3. 如果选中的点∈目标集合T，即到达目标，标记该点closed，算法结束
4. 否则，还未到达目标，标记该点closed，对其周围直达的点计算估计代价，如果周围直达的点未标记为closed，将其标记为open；如果已经标记为closed的，如果重新计算出的估计代价比它原来的估计代价小，更新估计代价，并将其重新标记open。返回第2步。

理解：

1. A*并不止针对找寻抵达单个目标的最优路径，当多目标组成目标集T时，它能找到一条代价最小的路径，抵达目标集中的其中一个。

2. 找到一个合适的估计代价计算方式很重要，这里将节点代价设置为从起点经由该节点到达终点所花费的代价，所以最优路径上的点的代价都一样且一定小于其他点的代价（绕路代价一定变大）。

   但真实代价无从得知，只能估计，将真实代价分为两部分f=g+h，g表示从起点到该点的最小代价，h表示从该点到目标点的最小代价。分别对g和h进行估计，再加和，得到估计代价。

   
   估计g为当前从起点到该点走过的距离（可能比真实g要大，因为没走完全图，不确保现在的走法就是最低代价），估计h为从该点到目标点的直线距离。

3. 在g和h的估计中，h的估计方法是比较宽泛的，可以是直线距离，也可以是其他（如坐标和之类的），但作者提到，估计h必须要小于真实h才能保证算法是可接收到的，即能找到最优解。如果估计h比真实h大，则可能找到的的不是最优解。

   那么设置h为0？可以，但就会变成类似Dijkstra算法，会找到到达地图上各点的最优路线。最终一定也会到达目标集合T中的节点，并标记closed结束算法，但过程中会展开更多无谓的节点，漫无目的地展开。

   h=0是无约束情况，而设计一个合适的n（如城市间直线距离）是需要利用问题域的信息的。

4. 第四步是允许更新节点代价并重新open它的，但实际上，作者提到，如果估计h设计的满足一致性条件，那么一个节点已经closed，它必定已经达到最小估计代价，所以不会有再找到更小估计代价而reopen它的可能。

   一致性条件指的是估计h能满足 估计h(m)≤h(m,n)+估计h(n)，其中h(m,n)指的是m到n间的直线距离。

   作者提到，如果对全部节点都使用直线距离作为估计h，即使用同一个方法，那么可以满足一致性条件；

   当对某些节点使用一种方法估计h，对其他节点使用另外的方法估计h，则可能会造成不满足一致性条件。

5. 当满足一致性条件，即不存在reopen的情况时：

   对单目标情况来说，一个节点一经closed，表示它被选择为最优路径上的点

   对多目标情况，可以想象，是在同时expand多条路径，到达各目标过程中的点被“轮流”（实际上当然是无序的）open、closed，最后哪条路径先到达目标集中的点，就认为它是我们要找到的最优路径。

   所以closed表示选中，而open表示备选。

作者的一些证明：

1. 如果选取的估计h<真实h，则算法是可接受的，即必能找到解
2. 当一致性假设满足，一个节点一经close，则其估计g必等于真实g，即找到了最小的估计g，即不可能找到更小的估计代价，也不会被reopen
3. 从起点开始，估计得到的最优路径上的节点的估计代价是【不递减的】
4. 在利用同样信息的情况下，A*展开的节点数是最少的

讨论：

1. A*是深度优先，有些算法（如Dijkstra）是广度优先，广度优先的算法考虑扩展过程中可能找到某节点更小的估计代价，要更新原代价

2. A*通常是指一个算法族，各算法的主要区别就是“估计h”的选择不同

   A*算法族内的各算法对计算复杂度/效率有着不同的平衡， 如估计h选得大一点，可能不能保证一定找到最优解，但大多数情况ok，而且容易算；而估计h选得小一点（极端例子:0，完全不利用问题域的信息），可能会扩张更多无谓的节点造成浪费，但可能还是方便计算。