实战|A*寻路算法遇到的问题及解决方法

学更好的别人，

做更好的自己。

——《微卡智享》

本文长度为1809字，预计阅读5分钟

前言

上一篇《实战|OpenCV结合A*算法实现简单的运动路径规划》我们实现了运动路径的规划功能，在上次的图片中效果还不错，因为本身就是想做通用的寻路，所以就又换了几张图片看了看，结果在比较复杂的路径上看，计算的时间就有点太长了，所以这篇专门研究下自己实现的代码里面有没有可优化的地方。

耗时问题

微卡智享

上图中可以看出来，我们换了一个商场的平面图，从起点到终点计算用时要2分多钟，为了看看不是一直这样，我做了五次测试，上图中后框里面的时间都是155秒，145秒，142秒，146秒，177秒，五次平均下来也要2分多，简直是不能忍，所以我们就研究下写A*算法时看看有没有可优化的地方了。

耗时分析

在A*算法中，有两个列表，一个OpenList(开启列表)，一个CloseList(关闭列表)，在计算的过程中，我们统计一下处理这两个列表的次数：

1. 从OpenList列表中找到离终点F值最小的点

2. 找到后查看是否在关闭列表中，如果在直接跳出程序了

3. 通过当前点找到邻近的8个点，然后每个点要判断是否在CloseList列表中存在，如果存在就不列入计算中

4. 取出的点要进行判断是否在OpenList列表中存在，如果存在也跳过

在代码中我们用了isInList函数来查找点是否存在

上面的耗时步骤中，步骤2（用了1次），步骤3（用了8次），步骤4（用了最多8次，因为返回的点不一定在计算内了），按最大次数算的话就是

1+8+8=17次

01

初步优化

从上面的遍历代码中我们可以看到，当遇到相同的点后，就会跳出，因为for(auto p:list)的方式都是从第一条开始的，整个流程上看，我们在OpenList和CloseList列表中越新插入的点都是离终点越近的点，所以如果通过for语句从后往前去的话，应该跳出过程的时间要少很多，所以可以有两个思路优化一下：

1. 查询前将传入的List重新从后往前排序

2. 不改变LIst排序，每次插入的时候都是从第一条插入

从上面两个方式来看，不用说还是第2条比较好，因为第一条重新排序还是要花费时间的，如果在起初把插入的地方改一下，这里就不用做变化了，不费话，我们直接找插入两个List的代码

找到相关的List，把原来的push_back()，全部改为push_front();

运行效果

还是运行了5次，明显可以看到平均时长80几秒，比原来的速度要快了一分多钟了，我们再研究下看看怎么优化。

02

检测跳出优化

上面的步骤2中，我们取出的离终点最近的F点中要检测在关闭列表中是否存在，因为在循环中，每次都检测，我觉得这一步可以直接不用检测了，取出的点直接在OpenList中删除，加入到CloseLIst中即可。

修改为

优化效果

再运行了5次我们看到，平均60几秒，比上次又减少了10几秒钟。

03

获取F最小的点

本来想从最小F点那个函数中研究研究，看看怎么简化，原来考虑到设置一个F的阈值，距离近了后就更新这个阈值后不再检测了，不过像我们刚才这个路线，因为有些地方是过不去的，肯定需要绕路，这样的话这个方法就不合适，简单测试了一下确实也是如此，所以这块暂时先不动了，不过在测试的过程中正好也发现了一个小BUG，就是判断地图点是不是有问题时没加入超出的判断，会报错，这里也修改一下

//判断是否是障碍点
bool AStarCalc::isInSites(const Point* point) const
{
  if (point->x < 0 || point->y < 0 || point->x >= sites.size()
    || point->y >= sites[0].size()) return true;
  return sites[point->x][point->y] == 1;
}

总结

从上面的代码中我们做的优化可以看出，整体上已经减少了接近1分半的时间，所以说在做开发的过程中，首先去实现，然后需要不断地去打磨，细节的找到问题去解决问题是很关键的。

啰嗦了这么多其实就是说明了一个事，就是A*算法在这个复杂点的地图中做路径规划是无法在生产环境中使用的，即使我们去做了些细节的优化，但还是需要一分钟才出来，这个的用户体验我觉得就是0，不过做为学习路径规划上还是不错的，通过A*的算法也算是入了个门，后面会延伸出JPS的跳点寻路算法。

完

扫描二维码

获取更多精彩

微卡智享

「 往期文章 」

实战|OpenCV结合A*算法实现简单的运动路径规划

学习|OpenCV匹配相似轮廓

实践|OpenCV4.2使用DNN进行人脸检测二（视频篇）