A* 路径搜索算法介绍及完整代码

1.简介

A* (A-Star) 算法一种静态路网中求解最短路径最有效的方法之一, 是一种常用的启发式算法.

启发式算法:通过启发函数(heruistic)计算出键值, 引导算法的搜索方向.

2. 算法描述

Ray Wenderlich - Introduction to A* Pathfinding

此文非常好的介绍了A*算法的逻辑及其中的关键点, 而且英文通俗易懂, 因此本文并不会详细的翻译此篇博文.

简单说来, A*算法是从起点开始, 通过对相邻可到达点的键值计算以及和其它可选点的键值对比, 从中选出最小键值的点, 然后继续计算此点的相邻点的键值, 直到抵达终点. 想象如同一个石子落入水中, 水的波纹外扩散, 一圈一圈的波纹可看作键值相同的点. A*算法并不需要遍历所有的点, 相反, 如果启发函数即当前点距离估计与实际值越接近, A*算法即会沿最短路径向终点移动, 避免遍历键值高的点.

因此算法关键在于利用OPEN和CLOSE列表记录访问点的情况以及如何计算键值

2.1 OPEN和CLOSE列表

OPEN列表: 所有正在被考虑的备选点列表, 此表并不是所有的点的列表, 而是A*算法在计算相邻点时, 可到达的点.

CLOSE列表: 所有访问过的点列表.

当从所有相邻可到达点中选中最小键值的点, 此点则放入CLOSE列表, 其余的点则放入OPEN列表.

2.2 键值计算 F = G+H

G值: 代表从起点到当前点的代价

H值: 代表从当前点到终点的代价, 由于从当前点出发, 并不知道最终会如何抵达终点, 所以此值为启发函数估计的值.

需要注意的是, 如果当计算相邻点(相邻点已在OPEN中)的键值F小于已存储的键值, 代表有更好的路径到达相邻点, 那么需要更新相邻点的键值以及G值.

2.3 H (heuristic)

百度百科关于h(n)的选择

以h(n)表达状态n到目标状态估计的距离, h*(n) 代表实际距离,那么h(n)的选取大致有如下三种情况:

  1. 如果h(n)< h*(n),这种情况,搜索的点数多,搜索范围大,效率低。但能得到最优解。

  2. 如果h(n)=h*(n),此时的搜索效率是最高的。

  3. 如果 h(n)>h*(n),搜索的点数少,搜索范围小,效率高,但不能保证得到最优解。

通常的启发式函数可以有曼哈顿距离, 对角线距离, 欧几里得距离等等, 或者根据实际情况建立启发式方程.

  • 3
    点赞
  • 52
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
A*路径规划算法是一种常用的启发式搜索算法,用于求解最短路径问题。其基本思想是在搜索过程中维护一个估价函数,该函数可以评估从起点到当前节点的最短路径长度,并利用这个估价函数来指导搜索过程,使得搜索能够更快地找到最短路径。 以下是一个简单的A*路径规划算法的伪代码: ``` function A*(start, goal, heuristic_cost_estimate) // 初始化open set和closed set open_set = {start} closed_set = {} // 从起点到当前节点的实际代价 g_score = {start: 0} // 从起点到当前节点的估计代价 f_score = {start: heuristic_cost_estimate(start, goal)} // A*搜索循环 while open_set is not empty: // 从open set中选择f_score最小的节点 current = node in open_set with the lowest f_score // 如果当前节点是目标节点,返回路径 if current == goal: return reconstruct_path(came_from, current) // 将当前节点加入closed set open_set.remove(current) closed_set.add(current) // 遍历当前节点的邻居节点 for neighbor in current.neighbors: if neighbor in closed_set: // 如果邻居节点已经在closed set中,跳过 continue // 计算从起点到邻居节点的实际代价 tentative_g_score = g_score[current] + distance(current, neighbor) if neighbor not in open_set: // 如果邻居节点不在open set中,加入open set open_set.add(neighbor) else if tentative_g_score >= g_score[neighbor]: // 如果邻居节点在open set中,且新代价不优于旧代价,跳过 continue // 更新邻居节点的代价 came_from[neighbor] = current g_score[neighbor] = tentative_g_score f_score[neighbor] = g_score[neighbor] + heuristic_cost_estimate(neighbor, goal) // 没有找到路径,返回空 return None function reconstruct_path(came_from, current) // 从终点开始,通过came_from映射逆向重构路径 path = [current] while current in came_from: current = came_from[current] path.append(current) return path.reverse() ``` 其中,`start`表示起点,`goal`表示终点,`heuristic_cost_estimate`是一个估价函数,用于估计从当前节点到目标节点的最短路径长度。在循环过程中,`open_set`存储待考虑的节点,`closed_set`存储已经考虑过的节点。`g_score`表示从起点到当前节点的实际代价,`f_score`表示从起点到当前节点的估计代价。在每次循环中,选择`f_score`最小的节点进行扩展。对于每个邻居节点,计算从起点到该节点的实际代价,并更新`g_score`和`f_score`。如果邻居节点不在`open_set`中,则将其加入;如果已经在`open_set`中,比较新旧代价,更新代价并调整`open_set`。最后,如果找到了路径,通过`came_from`映射逆向重构路径并返回。如果没有找到路径,则返回空。
评论 1
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