【AI算法】A星算法实现自己总结的步骤

以下算法是我对A星算法的初浅理解而写出来的，主要作为记录用，非常有可能有很多错误，想借来参考的请慎重，如果发现有问题的麻烦各路大神提出。谢谢大神。

A算法框架：

1、设置Open列表以及Close列表，Open列表代表可能要走的状态，Close表表示已经走过的状态。

2、先把A星寻路初始状态节点（寻路源头、初始状态），放入open表中。

3、检查open表，把 f(x) 最小的状态X找出来，将之移出open表，移进close表( f(x) = g(x)  + h(x)  g(x)初始状态到当前状态的移动累积代价，而h(x)则是从当前状态移动到目标状态的预测代价。）

4、判断最小的状态X是不是目标状态（寻路目的地），若不是则跳到状态5，若是则找到目标状态，这个目标节点一直回链上去，直到链到初始状态节点的整个链，就是最短路径。

5、找出刚才所找出的最小状态的所有相邻状态（所有X的相邻状态节点都有一个指针回链到状态X），并且剔除相邻状态中已经被走过的状态Ns（即在close表中已存在的状态），将这些相邻的但未被遍历过的状态s Ns放入Open表。 完成后跳到3。

自定义步骤：

1、定义一个状态的描述方式，能将任意状态与需要与之区分的状态区分开来。

2、预测一个状态可能跳转到的所以下一个状态（通常意为状态移动代价不是正无穷，或者非常非常大，会对所有的移动结果产生很大的影响）。

3、定义g(x)的计算规则，即定义从初始状态节点到当前节点的移动总代价。那首先得定义任意两个状态A和B，若A走到B，则这个状态跳转的实际代价计算规则。把已走过的路径的任意相邻状态的权重累加即能得到g(x)。通常把状态间不能跳转的设成正无穷以实现，让不能跳转的两个状态真的不能跳转。（可以把初始节点的g(x)设为0）

4、定义h(x)的计算规则，即定义当前状态A，如果跳到目标状态B（寻路终点），预测需要多少代价的计算规则。如果需要实现A星，一定要让预测的代价小于实际代价。即一定要让h(x)a-b<h*(x)a-b。个人的理解是要让h(x)a-b算出来的代价一定要小于最后g(x)a-b算出来的代价。

【对g(x)和h(x)计算规则的设计，特别是h(x)相对于g(x)相对规则的设计是A星算法质量的好坏，特别是】