A*算法（学习记录）

定义

一种在静态路网中求解最短路径最有效的直接搜索算法。

---

计算公式

F=G+H（f*(n)=g*(n)+h*(n)）

G：代表从起点A移动到指定方格的移动代价（路径长短）

H：代表从指定方格移动到终点B的移动代价（路径长短）

---

G点的计算

PS：需要使用到开放列表中父节点的应用

• 假设角色横向与纵向的移动代价是10，对角线的移动代价是14（平方根）,。计算G值的方法就是找到父节点的G值，再根据横纵向，还是对角线为G值加上10或14。

H值的估算(Manhattan 方法：试探法)

PS：方法有很多不同的，可上网查找。

• 计算从当前方格横向或纵向移动到达目标所经过的方格数，忽略对角移动，然后把总数乘以 10。

openlist（开放列表）与closelist（封闭列表）

• openlist：记录所有被考虑来寻找最短路径的网格集合（经过路径的所有相邻节点逐渐加入该列表）
• closelist：一个记录下不会被考虑的网格集合（已经被选中的路径点加入该列表）

---

寻路步骤：

• 简化搜索区域，将搜索区域简化成2维数组，数组中每一项代表一个格子。状态分成可走与不可走。
• 从起点A开始，将其加入方格组成的openlist（开放列表）中，列表中的格子是路径可能会沿途经过的（有可能经过的方块格）。

• 简化搜索区域，将搜索区域简化成2维数组，数组中每一项代表一个格子。状态分成可走与不可走。

• 从起点A开始，将其加入方格组成的openlist（开放列表）中，列表中的格子是路径可能会沿途经过的（有可能经过的方块格）。查找与A相邻的方格（忽略障碍物所在的格子），将所有可达的方格加入到openlist列表当中，并且将起点A设置成这些可达方格的父节点。

• 将方格A从openlist列表中移除，加入到closelist（封闭列表）当中。

• 根据公式计算，取出openlist表中F值最小的方格数据，放入closelist中。

• 检索该方格相邻的所有方格，忽略不可达以及在closelist中的方格，openlist中，并为加入的方格设置父节点。重复以上操作。

• 如果发现相邻的方格已经存在了openlist当中，就检查这条路径是否更优（是否具有更小的G值），没有则不作操作。如果 G 值更小，则把那个方格的父亲设为当前方格 ( 我们选中的方格 )，然后重新计算那个方格的 F 值和 G 值

---

算法性能的提高

• 可以再openlist表中保存好路径元素，并且对表中元素进行排序，这样每次取值只要取第一个方格的数据就行

• 使用二叉堆（快2~3倍）：Using Binary Heaps in A* Pathfinding

• 系列点子

  • 使用小地图或者更少的寻路者
  • 千万不要同时给多个寻路者寻路。取而代之的是把它们放入队列中，分散到几个游戏周期中。
  • 考虑在地图中使用更大的方格。这减少了寻路时需要搜索的方格数量。或长路径使用大方块，接近目标使用小方块。资料：Two-Tiered A* Pathfinding
  • 对于很长的路径，考虑使用路径点系统，或者可以预先计算路径并加入游戏中。
  • 预先处理你的地图，指出哪些区域是不可到达的。这些区域称为“孤岛”。A* 的下限是，你告诉他搜寻通往哪些区域的路径时，他会搜索整个地图，直到所有可以抵达的方格都通过 open list 或 close list 得到了处理。
  • 不同的地形损耗，地形不是只有 2 种：可抵达的和不可抵达，不同的地形移动代价可以不同，沼泽，山丘，地牢的楼梯等等
  • influence Mapping：创建一个额外的计分系统，把它应用到寻路的 AI 中。地图上有个通道穿过山丘，有大批的寻路者要通过这个通道，电脑每次产生一个通过那个方格的路径都会变得很拥挤。如果需要，你可以产生一个 influence map，用来标记提高那些方格的移动代价，让电脑避开那个区域移动
  • 采用布兰森汉姆算法预先判断两点是否可以直接通行,可通行就直接返回两点的直线路径,不可直接通行再采用A星算法寻路
  • A*算法走的是最小代价路径，但不一定是最平滑的路径。可以增加一个额外开销，作为允许G值的一定波动范围，然后查找相邻格子中最平滑的地方。

  ---

  github简单实例链接（没做优化版）：https://github.com/The-Black-Sun/Static_pathfinding_algorithm_A_Star