启发式搜索算法2 - A*算法

相关文章:
启发式搜索算法1 – 最佳优先搜索算法

A* 算法

最佳优先搜索算法的效果非常依赖估价函数，而估价函数又不是这么容易设置，那么能不能折中一下，添加其他确定性参数来平衡这个估价函数的不确定性，这就是A算法。
A算法（A-Star）是一种静态路网中求解最短路径最有效的直接搜索方法，也是解决许多搜索问题的有效算法。它是基于使用启发式方法来实现最佳性和完整性的，它是最佳优先算法的一种变体。因为它不但具备启发式搜索特点，而且能够保证找到最佳的解决方案。许多游戏和基于Web的地图都使用此算法非常有效地找到最短路径（近似值）。

为什么这个算法这么厉害，主要是它在进行搜索时候，会计算到达相邻结点的成本函数f(n)，挑选f(n)最小结点。这个成本函数公式为f(n)=g(n)+h(n)，g(n)函数是从起点状态到当前状态n的实际代价，这是一个确定值，h(n)是从当前状态n到目标状态的最佳路径的估计代价，换言之f(n)函数包含了一部分确定值和一部分估计值的估价函数，也可以说是一种启发式搜索算法。为了保证找到最短路径（最优解），关键在于估价函数f(n)的选取（或者说h(n)的选取），也可以说是g(n)和h(n)值的比重分配。以d(n)表达状态n到目标状态的实际距离，那么h(n)的选取大致有如下三种情况：

（1）如果h(n)<d(n)到目标状态的实际距离，或者说h(n)的比重过小，这种情况下，搜索的点数多，搜索范围大，效率低。但能得到最优解。在极端情况下，h(n)值过小可以忽略，f(n)约等于g(n)，算法变回了盲目搜索。
（2）理想状态是h(n)=d(n)，即距离估计h(n)等于实际最短距离，那么搜索效率是最高的。
（3）如果h(n)>d(n)，或者说h(n)的比重过大，这种情况下搜索的点数少，搜索范围小，效率高，但不能保证得到最优解。在极端情况下，h(n)值过大，使得f(n)约等于h(n)，算法变回了最佳优先算法。
举一个例子，参照上一个的例子，这次是一个有权有向图，【D-E】边值变成5，如图所示。

尝试用A*算法在图结构上的直接实现。为了简单起见，所有结点的启发式函数h(n)均定义为1，分析过程如下表所示。

每次挑选结点，都是在开放列表中选择f(n)最小值的结点，直到找到目标路径。从表中看到，f(F)的值经过一次修改，在选择【E】结点的时候，因为g(f)值减少了，f(F)也就比原来的值小，因此更新了【F】结点的f(n)值，以下是用代码来表示此算法运算。

class Graph(object):
    def __init__(self, graph):
        self.graph = graph 
    def get_neighbors(self, v):
        return self.graph[v]
    def h(self, n):
        # 估价函数，我们简化了这个函数，假设每个结点的距离为1
        H = {