浅析A星算法
A星算法主要用于求起始点到目标点的最短路径问题（此问题的前提是两点之间一定有障碍物)，最短路径问题在网络通信的路由选择及导航等中有着广泛的应用。
文章目录
前言
A*算法，别称“启发式搜索”，要了解A星算法，我们应该先搞清楚欧几里得距离和曼哈顿距离。A*算法可以说是两种算法的优势和（Dijkstra with a Heurist），所以接着我们继续探究其组成——BFS算法和Dijkstra算法，这有利于我们对A*算法的理解。
一、欧几里得距离和曼哈顿距离
a.欧几里得度量（euclidean metric）（也称欧氏距离）是一个通常采用的距离定义，指在m维空间中两个点（起始点到目标点）之间的真实距离，或者向量的自然长度（即该点到原点的距离）。. 在二维和三维空间中的欧氏距离就是两点之间的实际距离，可以理解为向量的模。
b.出租车几何或曼哈顿距离（Manhattan Distance）是由十九世纪的赫尔曼·闵可夫斯基所创词汇 ，是种使用在几何度量空间的几何学用语，用以标明两个点在标准坐标系上的绝对轴距总和。
为什么叫出租车几何呢？这是因为街道纵横交错，从起始点到目标点不可能走直线到达，而是通过道路到达，这个路程值就称为曼哈顿距离（x值与y值的绝对值之和）。
该图中绿线为欧式距离，红线为曼哈顿距离，黄蓝线为等价曼哈顿距离
曼哈顿距离是|x|值和|y|值的和，无论走什么路线，最后的计算值都是不变的，曼哈顿距离不是距离不变量，当坐标轴变动时，点间的距离就会不同，由于这只涉及加减计算，可以节约宝贵的算力，而欧几里得距离进行浮点计算，对算力的需求较大。在距离计算中，我们一般将每个方格的边长设为10，对角线的长度为14(约等于10x1.41），这样方便计算，且误差较小。
黄线：欧几里得距离
绿线：曼哈顿距离
二、算法
在讨论算法之前，我们先建立open-closed表，即一个open-list和closed-list。将open-list理解为一个容器（例如队列或是链表），这里面的每一个项都是待检查的；closed-list同理，不过这里面的每一项都是检查过的，在下一步检察中这些项都不会被检查。
2.1 Dijkstra算法
| Pros | 搜索的完整性和最佳性 |
| Cons | 只能看到到目前为止积累的成本（即统一成本），从而在每一个"方向"上探索下一个状态 ;没有关于目标位置的信息 |
Dijkstra算法从物体所在的初始点开始，访问图中的结点。它迭代检查待检查结点集中的结点，并把和该结点最靠近的尚未检查的结点加入待检查结点集（open-list）。从初始结点向四面八方扩展搜索（in all directions），直到到达目标结点。Dijsktra算法保证能找到一条从初始点到目标点的最短路径，只要所有的边都有一个非负的代价值。（上文说过方格边长一般取10）
2.2 BFS算法
最佳优先搜索（BFS）算法按照类似的流程运行，它能够评估任意点到目标点的代价，在搜索中，它会选择离目标点较近的点，也就说，如果目标点在南方向，它会倾向于导向南方的路径。
但是，由于其仅考虑到达目标点的代价，而忽略了以及花费代价，所以在某些情况下（如有障碍物）尽管路径变得很长，它仍然继续走下去。与其相似的还有DFS（深度优先算法），这里不做探讨，感兴趣的读者可以百度查询。
2.3 A*算法
A*算法（又称“启发式搜索”）于1968年发明，它是将BFS（贪心算法）和Dijsktra算法结合在一起的算法。
在正式讨论之前，我们先确定三个函数式：f(n),g(n)和h(n);得以下公式：
f(n)是评估函数，G值是从起始点到现在所在点m(current node）的移动代价，这是一个叠加的值，也就是说下一个节点的G值是其前继G值加上前继到该点的移动代价值；H值是从现在的方格m移动到终点 的估算成本。H值我们一般使用曼哈顿距离进行测算。这里我们要注意，G值和H值的衡量单位要保持一致，否则你可能无法得到正确的路径，而且算法也会运行的更加慢！
下面是关于三种算法的一个说明（H值与G值的关系）：
- 1.如果H值=0,那么只有G值是有用的,这时A*算法也就是Dijkstra算法,它能保证可以找到一条最优路径。
- 2.如果H值总是小于(或等于)从现在节点走到目标结点的步数,那么A*算法一定可以找到最优路径. H值越小,A*扩展的结点就越多,这会导致A*算法变得越慢。
- 3.如果H值恰好等于从现在节点走到目标结点的步数,A*算法扩展的所有结点都在最优路径上,它不会扩展任何其他无关结点,此时A*算法的速度是非常快的.尽管你无法总是做到这一点,但在某 些情况下你可以使他这么运行。
- 4.如果H值所给出的信息有时大于从结点n走到目标结点的步数,那么A*算法将无法确保能够找到最优路径,但它会运行得更快。
- 5.在极端的情况下,如果H值十分接近G值,那么只有H值起作用,此时A*算法实际上变成BFS。
第一.
现确定搜索的区域，假设起始点（start node）是A点，目标点（target node)是B点，中间是一堵墙（障碍，obstacles），它们分别用绿，红，蓝色表示。障碍的意思就是该方格无法通行，黑色的方格是可通行的。路径就是方格中心点移动产生的轨迹线。
第二.
1. 从起点 A 开始，并把它就加入到一个由方格组成的 open list中。现在 open list 里只有一项，它就是起点 A ，后面会慢慢加入更多的项。 Open list 里的格子是路径可能会是沿途经过的，也有可能不经过的。
2. 查看与起点 A 相邻的方格 ( 忽略障碍所处的方格，若周围方格无障碍，则有8个相邻方格) ，把其中可走的 (walkable) 方格也加入到 open list 中。把起点 A 设置为这些方格的父节点 (parent node) 。当我们在追踪路径时，这些父节点的内容是很重要的。
3. 把 A 从 open list 中移除，加入到 close list中， close list 中的每个方格都是现在不需要再关注的，上文已经说过。
如下图所示，深绿色的方格为起点，它的外框是亮蓝色，表示该方格被加入到了 close list 。与它相邻的黑色方格是需要被检查的，他们的外框是亮绿色。每个黑方格都有一个灰色的指针指向他们的父节点，这里是起点 A 。
下一步，我们需要从 open list 中选一个与起点 A 相邻的方格，按下面描述的一样或多或少的重复前面的步骤，被选中的方格应该具有最小的F值，通过计算子节点的F,G,H,值我们得到下图：
显然，正右方的方格具有最小的F值，以该点为例，我们来计算一次其三个值。该点中心到目标点的距离是3，由曼哈顿法得，|x|=30.|y|=0,则H值（曼哈顿距离）为30；G值为起始点到该点的实际距离为10，右下方的方格G值为对角线的长度14，H值相应的算出为40（有多种移动方法，但结果是一样的）。
第三.
接下来，，我们从 open list 中选择 F 值最小的 ( 方格 ) 节点，然后对所选择的方格作如下操作：
1.把它从 open list 里取出，放到 close list 中，表明它已经被检查了。
2.检查它相邻的所有方格，忽略在 close list 中或是障碍方格 ，若周围方格不在open lsit 中，将它们加入到 open list 中。同时把我们选定的F值最小的新方格（current node）设置为这些新加入的方格的父节点。
3. 如果某相邻的方格m已经在 open list 中，检查从起始点经过当前方格到达那个m方格是否具有更小的 G 值。如果有，则把那个方格m的父亲设为当前方格 (current node ) ，然后重新计算那个方格m的 F 值,G 值和H值。相反，不做任何操作。 接下来，我们以下图为例进行一个示范：
详细示范！！！ 示范了一个完整的步骤：
这次，当我们检查相邻的方格时，我们发现它右边的方格是墙，忽略墙在的方格，我们把墙下面的一格也忽略掉。因若不穿越墙角的话，你无法直接从当前方格移动到那个方格。你需要先往下走，然后再移动到那个方格以来绕过墙角。 ( 注意：穿越墙角的规则是可选的，这里我们设定其不可穿过 )
这样还剩下 5 个相邻的方格。current code下面的 2 个方格还没有加入 open list ，所以把它们加入，同时把当前方格设为他们的父节点。在剩下的3 个方格中，有 2 个已经在 close list 中 ( 一个是起点，一个是当前方格上面的方格，外框被加亮的 ) ，我们忽略它们。最后一个方格，也就是当前方格左边的方格，我们检查经由当前方格到达那里是否具有更小的 G 值，没有，因此我们准备从 open list 中选择下一个待处理的方格。
不断重复这个过程，直到把终点也加入到了 open list 中，此时如下图所示：
注意观察各个图中方格的父节点和指针指向，这里我们要利用这些得出最短路径图，从终点开始，按着指针向父节点移动，当你被带回到起点时所产生的轨迹就是你的路径。如下图所示：
注：这里我们要注意父节点的问题，观察上图可知起始点下方两方格的父节点和指针指向发生了变化，原来的G是28，变化后是20，这是在获得新路径时发生的，因为G值变得不同了，所以其父节点，F和G值都要重新测定，这是一个重要的细节！
下面是A*算法的伪代码：
4.小小的改进
尽管A*算法综合了两种算法的优势，但是仍然性能较低，低性能的一个原因来自于启发函数的约束或者说不足（原文是ties）。当某些路径具有相同的f值的时候，它们都会被搜索（explored），尽管我们只需要搜索其中的一条，与Dijkstra算法相比这仍然需要大量的算力，尤其是地图较大的时候：
解决这个问题，我们可以为启发函数添加一个附加值（small tie breaker）。附加值对于结点必须是确定性的，也就是说，它不能是随机的数，而且它必须让f值体现区别。因为A*对f值排序，f值差异意味着只有一个等效的f值会被检测。下图是改进后的图像：
总结
我们总结一下A*算法的步骤：
1. 将起点加入 open list 中。
2. 重复以下过程：
a. 查看 open list ，查找 F 值最小的节点，并把它作为当前将处理的节点（current code）。
b. 把这个节点加入到 close list 中。
c. 对当前方格的 8 个相邻方格的处理：
如果它是障碍（obstacles）或者它在 close list 中，忽略它。否则，做如下操作。： 如果它不在 open list 中，把它加入 open list ，并且把当前方格设置为它的父亲，测算该方格的 F ， G 和 H 值; 如果它已经在 open list 中，检查这条路径 ( 即从起始点经过当前方格到达它那里 ) 是否更好，用 G 值作参考。更小的 G 值表示这是更好的路径。如果是这样，把它的父节点设置为当前方格，同时重新计算它的 G 和 F 值。
d. 暂停，当你出现以下情况时：终点被加入到了 open list 中，此时已经找到了路径； 查找终点失败，并且 open list 是空的，此时不存在路径。
3. 保存路径。从终点开始，每个方格中心点沿着父节点（指针方向）移动直至起始点，形成的轨迹就是我们要寻找的路径。
注释：
1.图片来源于CSDN社区的主流A*算法博客，原作者是Patrick Lester，点击链接阅读原文：http://www.gamedev.net/reference/articles/article2003.asp
2.参考博客来源：
a.https://blog.csdn.net/coutamg/article/details/53923717 这是一篇译文 原作链接：http://theory.stanford.edu/~amitp/GameProgramming/ （作者Amit),讲解的很详细，读者想了解更多可以阅读他们的文章。
b.https://eveture.blog.csdn.net/article/details/89382502 这篇博客是翻译Patrick Lester的文章，笔者认为这篇翻译的相对好一些。
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
