启发式路径搜索(1)

                            启发式路径搜索

目录

一  题目背景 1

二  方法提炼 2

三  Demo 2

四  优化启发式搜索 5

一  题目背景

我们玩游戏时,经常点击一下鼠标,游戏角色就会自动按照最短路径走向目的地,这需要搜索最短路径,这都是游戏程序帮我们完成了。游戏程序是如何做到高效完成的呢?

常规的最短路径搜索用深度优先搜索,宽度优先搜索Dijstra算法等,宽度优先算法和Dijstra都是贪心为主的算法,但这几个算法效果并不好,几乎把整个图搜索了一遍,这可能会降低游戏性能。

这些算法都有个特点,没有利用地图自身的特点,假设初始点start, 目的点end,当前点cur,这时我们找到了若干个当前点:

节点       间隔    节点      前后间隔      节点

Start       101     Cur1       1000         End

Start       102     Cur2       500          End

Start       103     Cur3       100          End

按照上面这个例子,起点到Cur1101距离  而Cur1到终点是预估1000距离

起点到Cur2102距离  而Cur2到终点是预估500距离

起点到Cur3103距离  而Cur2到终点是预估100距离

预估距离:因为并没有真实遍历,距离只能通过一些简单的规则预估,比如通过|x|+|y|

按照宽度优先或者Dijstra算法,这里会优先计算第一条路径的可能性,但实际中第三条路径可能性最大,所以如果在选择相对较好的路径时,考虑上预估路径,那么我们就会选择第三个方案,这样一来就会大大减少冗余数据,提高搜索速度。  如图:

  我们优先搜索节点N还是节点M?  

  按照Dijstra会搜索节点M,但我们搜索节点N。 因为节点N距离终点的预估值只有27(加上已知距离是52),二节点M到终点的预估值是60(加上已知距离是75)。

二 方法提炼

Fn) = Gn) + H(n);

F(n) 表示从起点到终点经过n这个节点的可能距离。其中

Gn)是起点到节点N的最短距离(这个是贪心遍历出来的);

Hn)是节点N到终点的预估距离。

一般的Dijstra算法是没有Hn)的相当于H(n)0. 这里面考虑到预估距离就是启发式搜索。通过已知节点,找出相邻的节点,计算相邻节点的F(n),然后寻找最优的。

这样我们每次通过一个已知确定路径的节点,可以遍历出8个新节点,这个8个节点,就都有了一个最新的Gn), 同时给他们计算上相应的H(n)。当然G(n)可能被更小的值替换。

证明:启发式搜索一定是最优解么?

证: 当Hn)小于等于真实距离是真实解,因为通过Fn)的比较每次被临时放弃的节点都是因为自己的Fn)比别人的大,而自己的Gn)是真实距离,Hn)又小于等于真实距离,所以这个被放弃的点在这一步的确不是最优解,直到它可能是最优解的时候它才会被搜索。  故得证。 

三 Demo

    

做了一个例子,假设每个节点横跨需要10距离,那么斜传就需要14距离,节点分为5种:距离10、距离20、距离30、距离40以及障碍(障碍不能穿过)。 从节点A走到相邻的节点B,需要距离 (距离A+距离B/2,  如果是斜走,则是14的倍数那个值。

预估距离:

当前节点 x,y    终点ex  ey.

nMax = 节点N距离终点的长距。

nMin = 节点N距离终点的短距。

H(n) = sqrt(nMin *nMin *2) + nMax -nMin.

地图如下:

 

1  原图,以及通过Dijstra算法的最短路线如图,距离是408(这是最优解)。

   

 

   这是Dijstra算法搜索过的节点,可见他几乎遍历了整个图,效率肯定就不高了。

   这是启发式搜索,可见他搜索的面积比BFS相对小了一些,但效果也不是很好。

四  优化启发式搜索

为什么我们加入了启发式搜索,效果还不是太好呢? 这个和选择的图片关系很大,因为这个图片在最合适的地方加了一堆障碍,导致启发式搜索不得不搜索更远的节点来对比。但我们还能优化。

优化思路: 我们的预估都是按照理论上的最小路径来估值的,而对于一张地图,如果有了障碍,那么距离终点越远的地方,他可能遇到的障碍会越多。 预估距离是1000,实际距离可能是1300,预估距离是500,实际距离可能是650而我们把已知距离和理论上的预估距离平等对待,相当于对未知地图预计太好。所以我们给预计距离加上一个系数。 公式成:

H(n) = sqrt(nMin *nMin *2) + nMax -nMin.

H(n) = 系数A * H(n) ;   // 这里的系数A大于等于1,这样才能如是反应实际距离。

上面的理论最优解系数相当于1.0 。 后面分别给出系数是1.5  2.0  3.0的结果:

 

    结论:启发式搜索的系数越大,搜索的速度越快(遍历的红色节点越少),但我们发现当系数等于3.0的时候,搜索的最优解是410,比真实的最优解408大了2个点。

     因为系数一旦超过1.0,那么刚才那么证明项就无法得出推导,所以答案可能不是最优。实际使用中,只能在精准性和速度上折中考虑。

再给一个相对普通的例子供参考:

分别是地图、 BFS搜索的结果,和启发式搜索(系数分别为1.0 2.0  3.0

系数等于3.0速度虽然快,但距离多了26,系数取2.0结果正确,速度也不错。

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值