- 任务要求
- 参考答案
- 评论
任务描述
本关任务:编写一个使用 A*
搜索算法完成求解迷宫问题最优解的小程序。
相关知识
为了完成本关任务,你需要掌握:
1.A*
算法的原理和步骤;
2.解决迷宫问题的思路。
A* 搜索算法简介
A* 搜索算法是一种启发式搜索算法。所谓启发式搜索算法,就是在盲目搜索算法中加入一个启发函数,在当前节点搜索完毕后,通过这个启发函数来进行计算,选择代价最少的节点作为下一步搜索的节点。通过这样的方式就能够找到最优解。DFS
,BFS
这两种搜索方式都属于盲目的搜索方式,它不会在选择下一个节点的时候进行代价计算,而是按照一个固定的方式选择,这样在运气不好的情况,会对所有节点进行遍历。
A* 搜索算法的核心就在于如何设计一个好的启发函数,启发函数的表达形式为:f(n)=g(n)+h(n)。其中f(n)是每个节点可能的估值或者代价值,它由两部分组成:
-
g(n):它表示从起点到搜索点的代价;
-
h(n):它表示从搜索点到目标点的代价,h(n)设计的好坏,直接影响到该 A* 算法的效率。
A* 算法步骤
OPEN
表:保留所有已生成而未扩展的状态; CLOSED
表:记录已扩展过的状态。
A* 算法求解迷宫问题
迷宫问题指的是在一个n×m
的迷宫里,入口坐标和出口坐标分别为(startx,starty)
和(endx,eny)
,每一个坐标点有两种可能:0或1,其中0表示该位置允许通过,1表示该位置不允许通过。求解目标是找到一个最短路径从入口到出口。
在采用A*
算法对迷宫路径求解中,g(n)和h(n)函数都采用曼哈顿距离,曼哈顿距离代表两个点在标准坐标系上的绝对轴距总和。计算公式为:d(i,j)=∣x1−x2∣+∣y1−y2∣
即每次获取的当前通道块,都会对其到入口通道块和出口通道块的曼哈顿距离进行计算。因此,我们定义估价函数为:f(n)=g(n)+h(n),式中,g(n)为起点到n状态的最短路径代价的估计值,我们使用起点到n状态的曼哈顿距离表示;而h(n)是n状态到目的状态的最短路径代价的估计值,由于在搜索过程中,每次只走一步,我们姑且设置h(n)为1。综上,可得到估价函数的代码定义为:
# 曼哈顿距离比较 f = g + h,h=1
def getFunctionValue(self, end):
dist = abs(self.x - end.x) + abs(self.y - end.y)
return dist + 1
迷宫寻路问题的目标是:如何在最短的路径基础上从起始点到目的地。
输入:
[[0, 0, 0, 0, 0],
[1, 0, 1, 0, 1],
[0, 0, 0, 0, 1],
[0, 1, 0, 0, 0],
[0, 0, 0, 1, 0]]
预期结果:最短路径为 8,具体如下,
* * 0 0 0
1 * 1 0 1
0 * * 0 1
0 1 * * *
0 0 0 1 *
其中,*
表示走过的路径。
编程要求
根据提示,在右侧 vscode
编辑器补充代码,参考寻路过程中向左、向右、向上三个方向的移动方式,完成向下的移动代码的编写,达到通过使用 A*
搜索算法完成求解迷宫寻路问题的最短路径。
编程路径:/data/workspace/myshixun/step1/test.py
测试说明
平台会对你编写的代码进行测试:
测试输入:无
;
预期输出:
Best Way:
* * 0 0 0
1 * 1 0 1
0 * * 0 1
0 1 * * *
0 0 0 1 *
Total steps is 8
代码部分
这里的往下走部分可以参考往上走和往右走的逻辑来仿写,毕竟有很多部分都是相同的就是要注意x轴和y轴的区别
import numpy as np
class Point:
def __init__(self, x, y):
self.x = x
self.y = y
self.f = 0
def setF(self, f):
self.f = f
def __eq__(self, other):
return self.x == other.x and self.y == other.y
########## Begin ##########
# 曼哈顿距离比较 f = g + h,h=1
def getFunctionValue(self, end):
dist = abs(self.x - end.x) + abs(self.y - end.y)
return dist + 1
########## Eed ##########
class State:
def __init__(self, state, current_point=Point(0, 0), end_point=Point(0, 0)):
self.state = state
self.cP = current_point
self.eP = end_point
def __eq__(self, other):
return self.cP == other.cP
def setF(self, f):
self.f = f
def setCurrentPoint(self, x, y):
self.cP.x = x
self.cP.y = y
def getCurPoint(self):
return self.cP.x, self.cP.y
# 确定下一步的方法
def nextStep(map, openTable, closeTable, wrongTable):
subPoints = []
boarder = len(map.state) - 1
# 获取当前所在的点
x, y = map.getCurPoint()
# 往左走
if y > 0 and map.state[x][y - 1] == 0:
p = Point(x, y - 1)
if p not in closeTable and p not in wrongTable:
# 添加到可以走的list
openTable.append(p)
# new point
# 获取F函数值
p.setF(p.getFunctionValue(map.eP))
subPoints.append(p)
# 往上走
if x > 0 and map.state[x - 1][y] == 0:
p = Point(x - 1, y)
if p not in closeTable and p not in wrongTable:
openTable.append(p)
p.setF(p.getFunctionValue(map.eP))
subPoints.append(p)
# 任务:完成往下走的代码逻辑
########## Begin ##########
if x < boarder and map.state[x + 1][y] == 0:
p = Point(x + 1, y)
if p not in closeTable and p not in wrongTable:
openTable.append(p)
p.setF(p.getFunctionValue(map.eP))
subPoints.append(p)
########## Eed ##########
# 往右走
if y < boarder and map.state[x][y + 1] == 0:
p = Point(x, y + 1)
if p not in closeTable and p not in wrongTable:
openTable.append(p)
p.setF(p.getFunctionValue(map.eP))
subPoints.append(p)
# 根据F值排序,获取F值最近的
subPoints.sort(key=compareF)
if len(subPoints) < 1:
# 防止走到死路无法回头情况
wrongTable.append(Point(map.cP.x, map.cP.y))
closeTable.remove(map.cP)
next_point = closeTable[-1]
map.cP.x, map.cP.y = next_point.x, next_point.y
else:
next_point = subPoints[0]
map.cP.x, map.cP.y = next_point.x, next_point.y
closeTable.append(next_point)
openTable.remove(next_point)
# 迭代走下一步
def solve(map, openTable, closeTable, wrongTable):
# start the loop
while not map.cP == map.eP:
nextStep(map, openTable, closeTable, wrongTable)
def compareF(p):
return p.f
# 展示最后结果
def showInfo(map, path):
for i in range(len(map.state)):
for j in range(len(map.state)):
if Point(i, j) in path:
# 正确路径用‘*’表示
print('*', end=' ')
else:
print(map.state[i, j], end=' ')
print("\n")
return
if __name__ == '__main__':
# openList
openTable = []
# closeList
closeTable = []
# 走错路返回用的
wrongTable = []
state = np.array([[0, 0, 0, 0, 0], [1, 0, 1, 0, 1], [0, 0, 0, 0, 1], [0, 1, 0, 0, 0], [0, 0, 0, 1, 0]])
# 起点终点
start_point = Point(0, 0)
end_point = Point(4, 4)
# 最终路径
path = [start_point]
Map = State(state, Point(0, 0), end_point)
solve(Map, openTable, closeTable, wrongTable)
print('Best Way:')
path = path + closeTable
showInfo(Map, path)
print("Total steps is %d" % (len(path) - 1))