Dijkstra和A*算法

一、Dijkstra算法

1.与BFS区别

BFS维护一个队列（queue）弹出节点为最浅层级

Dijkstra弹出节点具备最小函数值g(n)：从起点开始到n这个节点路上累计的cost总和

2.特点

（1）g(n)表示cost的总和

（2）当弹出的节点为n时，在拓展时，对于n节点所有的邻居节点m，如果m节点未被拓展，则检查m节点的cost g(m)，g(m)可不可以通过n进行下降，可以理解为m自身的cost为g(m)，如果设定为n走向m时可以将m整体的cost降低，则把cost更新

（3）dijkstra算法具备最优性保证

算法运行过程中，图中任何被拓展过的节点，可以保证说里边存储的G值是最小的从start到n的路径累计cost 

二、Dijkstra算法流程

1.流程

(1)维护一个优先级队列（priority queue）去对所有的节点的g值进行排序,弹出具有最小g值的节点

(2)初始化g值，起点为0，未被发现的节点为∞大

(3)进入循环

        如果队列为空，则返回，即未找到节点为死路

        弹出g值最小的节点n

        标记n被拓展过的节点（close list）

        如果n是目标，则成功

        对于所有n的邻居节点m

                如果m的g值∞大，则为未被发现的节点

                        则m的g值为n的+cost

                        将m压入queue       

                如果g(m)>g(n)+cnm

                        更新g(m)= g(n)+cnm

结束循环

2.优缺点

（1）优点：完备、最优

（2）dijkstra的拓展仍然是均匀拓展的，是一种穷举的方式盲目推广，当每个边的cost为1时，成为BFS

三、A*算法

1.定义

（1）A*算法的实质为dijkstra算法与贪心算法的结合

（2）累计cost：g(n)

          从当前节点到目标节点估计的代价：h(n)

          计算最小的f(n)=g(n)+h(n)弹出

2.流程

注意：

        h（n）一开始不知，在拓展的过程中去计算（例如欧氏距离）

       对于A*算法，更新g(m)同时还需要重新计算f（m）

3.实例

4.A*算法最优性讨论

结论：

上图中，从整体g+h角度s直接到g的代价为5，上边代价为10，结果与真实路径代价相反

原因：

h的估计不合理，h的估计应该小于实际的真实路径代价

5.如何设计合适的启发式函数（admissible heuristics）

原则：

对于任何节点，到达终点估计的所花费的代价 小于等于 真实代价

欧氏距离（√）与曼哈顿距离设计 （×）

四、Dijkstra算法与A*算法对比 

dijkstra算法为均匀扩散，而启发式函数的加入使得a*算法具有对目标贪心的引导性

五、次优解 weighted a*算法

        通过牺牲部分最优性能换取求解速度，系数代表搜索向目标前进的权重

          

系数=1，为原始a*算法

系数->∞，则g忽略，为贪心算法

系数->0,则h忽略，为dijkstra算法

六、工程注意事项

1.怎么将grid map转化为graph:定义连接方式，四连接或者八连接

2.如何设计最佳启发式函数

   现象：原始欧式距离作为启发式函数：搜索拓展过的节点过多，效率低下，目的性过低

原因：欧式距离h(n)远小于h*(n)，小非常多，导致两者之间有差距

对于一个高度结构化的地图，有结构化移动的规则，则最短路径是可以计算的，可以理解为一个蚂蚁爬行最短路线问题，所以在结构化的地图中，可以直接计算出h*(n)作为启发式函数

3.Tie breaker

原因：许多路径都具有相同的f,并不知道选哪个，没有倾向性会拓展到哪一侧，导致拓展低效

解决方法：

对于相同的f，修改其h

tie breaker核心思想

思路：

1.当具有相同的f时，对比其h，h小的放在前边

2.在代价计算中加一个倾向性，例如再加一个离start与goal连线之间的距离为cross cost

核心都为打破对称性