欧式距离、曼哈顿距离、切比雪夫距离、Octile距离

欧式距离 Euclidean distance

欧式距离是我们在直角坐标系中最常用的距离量算方法，例如小时候学的“两点之间的最短距离是连接两点的直线距离。”这就是典型的欧式距离量算方法，也是熟悉的“勾股定理”，解算三角形斜边得到的。

即

2D distance: sqrt((x2-x1)*(x2-x1)+(y2-y1)*(y2-y1))

3D distance: sqrt((x2-x1)*(x2-x1)+(y2-y1)*(y2-y1)+(z2-z1)*(z2-z1))

sqrt用于开平方根。欧几里得距离一般要比曼哈顿距离短，但由于开平方根需要消耗一些计算资源，所以算法实际执行起来要慢一些。

于是有些人推荐去掉这个开平方根的步骤，直接把((x2-x1)*(x2-x1)+(y2-y1)*(y2-y1))作为结果返回。

但在A星算法f = g + h中，如果距离很长，距离函数h将变得很大，这时候估算函数g将几乎不起作用。这时候A星算法就退化成了最佳优先搜索算法。

也许可以通过把D设置得很小来让h不要那么大，但这时候如果距离很短，那么距离函数h将变得更小，与估算函数g相比几乎不起作用。这时候A星算法就退化成了Dijkstra算法。

如果开平方根消耗的资源仍然非常显著，那么我们可以用快速近似开平方根算法来代替一般的开平方根算法，或者干脆用octile距离来近似代替欧几里得距离。

曼哈顿距离 Manhattan distance

曼哈顿距离是与欧式距离不同的一种丈量方法，两点之间的距离不再是直线距离，而是投影到坐标轴的长度之和。

如果游戏使用的是矩形网格地图，而在网格之间只能上下左右移动，那么就可以使用曼哈顿距离。据说这套算法是专门为出租车司机设计的，因为汽车只能沿着划分好的街道前进，而不能任意斜着穿过楼房。

假设第一个点的x坐标是x1，y坐标是y1，第二个点的x坐标是x2，y坐标是y2。

那么这两个点的曼哈顿距离就是|x1 - x2| + |y1 - y2|，即两点横纵坐标差之和。

比如AB两点的曼哈顿距离就是 |2 - (-2)| + |3 - 0| = 7。

在A星算法中，我们也可以将结果再乘上D。D是花费参数，即从一个网格到另一个网格的花费。一般只需将其设置为1就行了。但也可以增加D，这意味着放弃了最优路径，而追求更快的算法效果。相反，调低D意味着让算法更慢而最终路径更短。

图中绿色的线为欧式距离的丈量长度，红色的线即为曼哈顿距离长度，蓝色和黄色的线是这两点间曼哈顿距离的等价长度。

切比雪夫距离（Chebyshev distance）

数学上，切比雪夫距离是将2个点之间的距离定义为其各坐标数值差的最大值。

网上搜索，好多有关这个距离的解释，大多都是采用国际象棋中的王的走步来作为例子，王可以前后左右走，还可以斜前斜后走，一共8个方向可以认为距离均等。

也就是在下面3×3邻域内，中心网格的中心点到8个邻域网格中心点的距离相等。

 

在之前说到的地图中，如果允许沿对角线移动，即上下左右，左上，左下，右上，右下八个方向移动，那么就需要使用对角距离。

使用的算法如下，其中D是沿着上下左右四个方向移动一个网格的花费，而D2是沿着左上，左下，右上，右下这四个对角线方向移动一个网格的花费。

同样，如果将D设置为1，而D2设置1，那么这就叫做切比雪夫距离（Chebyshev distance）。

上述两点的切比雪夫距离为|x1 - x2| 和 |y1 - y2|中的最大值，即即两点横纵坐标差的最大值。

比如A（2，3）和B（-2，0）两点，切比雪夫距离就是 |2 - (-2)| 和 |3 - 0|中的最大值即 4。

同样，如果将D设置为1，而D2设置为根号2，那么这就叫做octile距离。

Octile距离 

下图将在每个网格上都设置了节点，并连接起来。

但有时候，并不需要那么复杂，于是干脆将这些网格点都去掉，改为设置好的节点，加上规划好的路径。也就是只保留部分网格点。从一个路点到另一个路点，下面左图允许使用最短直线距离，而下图右只允许沿着网格。而探讨如何在这些不规则路径上移动的领域，叫做图论。