计算机软件技术实习——Prim算法生成迷宫和A*算法自动寻路

随机Prim算法简介
原始版本的随机Prim算法是维护一个墙的列表。
首先随机选择一个迷宫单元，设置为已访问，然后把它的所有邻墙放入列表。
当列表里还有墙时，重复下面循环

从列表里随机选择一面墙，
如果这面墙相邻的两个迷宫单元只有一个被访问过，先把这面墙设置为打通，并从列表里删除这面墙，然后把未访问的迷宫单元设为已访问，并把这个迷宫单元的邻墙添加到列表。
如果这面墙相邻的两个单元单元都已经被访问过，那就从列表里删除这面墙
但是在实现时要同时记录墙和迷宫单元的信息，会比较复杂，所以使用改进版本，只维护一个迷宫单元的列表。地图信息和之前的递推回溯算法是一样的。

下图是算法使用的地图，地图最外围默认是一圈墙，其中白色单元是迷宫单元，黑色单元是墙，相邻白色单元之前的墙是可以被去掉的。可以看到这个地图中所有的迷宫单元在地图中的位置(X,Y），比如（1，1），（5，9）都是奇数，可以表示成(2 * x+1, 2 * y+1), x和y的取值范围从0到4。在迷宫生成算法中会用到这个表示方式。同时迷宫的长度和宽度必须为奇数。

算法主循环，重复下面步骤2直到检查列表为空：
1 随机选择一个迷宫单元作为起点，加入检查列表并标记为已访问
2 当检查列表非空时，随机从列表中取出一个迷宫单元，进行循环

如果当前迷宫单元有未被访问过的相邻迷宫单元
随机选择一个未访问的相邻迷宫单元
去掉当前迷宫单元与相邻迷宫单元之间的墙
标记相邻迷宫单元为已访问，并将它加入检查列表
否则，当前迷宫单元没有未访问的相邻迷宫单元
则从检查列表删除当前迷宫单元
 

A算法是一种启发式搜索算法，它利用启发函数来评估节点的估价函数，从而寻找最短路径。在自动寻路方面，A算法可以用于在地图上找到从起点到终点的最短路径。

具体来说，A*算法通过给每个节点赋予一个G值（从起点到该节点的实际代价）和H值（该节点到目标的预计代价，根据启发函数计算得到），来评估每个节点的优劣。G值和H值的和（即F值）可以用来比较不同节点的优劣，从而指导搜索方向。

在搜索过程中，A算法从起点开始往四周各个方向搜索，并根据F值优先搜索方向离终点最近的节点（即优先搜索具有最小F值的节点）。这样，A算法能够在保证找到最短路径的同时，尽可能地减少搜索的节点数量，从而提高搜索效率。

需要注意的是，A算法并不一定能够找到最短路径，但它通常可以找到接近最短路径的解决方案。此外，A算法需要知道地图的障碍物信息，以便正确计算节点之间的实际代价和预计代价。

假设你正在一个二维网格世界中，起点是(0,0)，终点是(4,4)。每个格子都有一个代价值，表示通过该格子的难度。你的任务是找到从起点到终点的最短路径。

首先，你将起点加入到一个优先队列中，并给它一个优先级，这个优先级是根据它到终点的已知最小代价（在这里是0）和启发式函数的值（在这里是到终点的曼哈顿距离）的总和计算出来的。

然后，你开始从队列中取出优先级最小的节点，并检查它的邻居。对于每个邻居，你计算从起点到该邻居的新代价，如果这个新代价小于已知的代价，你就更新该邻居的代价，并将它加入队列中，同时更新它的优先级。你还记录下每个邻居是从哪个节点来的，这样你就可以在找到终点后反向追踪到起点。

当你取出终点时，你就找到了最短路径。然后你可以从终点开始，按照每个节点是从哪个节点来的反向追踪到起点，这样就得到了最短路径。

注意，这个算法的效率取决于启发式函数的选择。在这个例子中，我们使用了曼哈顿距离作为启发式函数，但是在其他情况下可能需要使用其他的启发式函数。另外，如果图中存在负权边，那么这个算法可能不适用。