python动画演示算法_教你用python动画演示深度优先算法搜寻逃出迷宫的路径方法...

深度优先算法(DFS 算法)是什么？

寻找起始节点与目标节点之间路径的算法，常用于搜索逃出迷宫的路径。主要思想是，从入口开始，依次搜寻周围可能的节点坐标，但不会重复经过同一个节点，且不能通过障碍节点。如果走到某个节点发现无路可走，那么就会回退到上一个节点，重新选择其他路径。直到找到出口，或者退到起点再也无路可走，游戏结束。当然，深度优先算法，只要查找到一条行得通的路径，就会停止搜索；也就是说只要有路可走，深度优先算法就不会回退到上一步。

如果你依然在编程的世界里迷茫，可以加入我们的Python学习扣qun：784758214，看看前辈们是如何学习的！交流经验！自己是一名高级python开发工程师，从基础的python脚本到web开发、爬虫、django、数据挖掘等，零基础到项目实战的资料都有整理。送给每一位python的小伙伴！分享一些学习的方法和需要注意的小细节，点击加入我们的python学习者聚集地

下图是使用 DFS 算法搜寻出来的一条路径：

总结一下：

从起点开始，查询下一步走得通的节点，将这些可能的节点压入堆栈中，已经走过的节点不再尝试。查询完毕之后，从堆栈中取出一个节点，查询该节点周围是否存在走得通的节点。如果不存在可能的节点，就继续从堆栈中取一个节点。重复以上操作，直到当前节点为终点，或者堆栈中再无节点。

定义数据：

起始节点与目标节点

存储节点的堆栈

定义辅助函数

获取下一节点的函数: successor

判断是否为终点的函数: test_goal

首先，我们来定义栈这种数据结构，栈是一种后进先出的数据结构。

因为之后的广度优先搜索会使用到队列，A* 算法会用到优先队列，我们定义了抽象基类，以便后续使用。deque 是双端队列，与内置类型 list 操作类似，但头部与尾部插入和删除操作的时间复杂度均为 O(1)。

# utils.py

from abc import abstractmethod, ABC

from collections import deque

class Base(ABC):

def __init__(self):

self._container = deque()

@abstractmethod

def push(self, value):

"""push item"""

@abstractmethod

def pop(self):

"""pop item"""

def __len__(self):

return len(self._container)

def __repr__(self):

return f'{type(self).__name__}({list(self._container)})'

class Stack(Base):

def push(self, value):

self._container.append(value)

def pop(self):

return self._container.pop()

下面我们来定义 dfs 函数。其中，initial 为初始节点, s 为栈，marked 用来记录经过的节点。successor 函数用来搜寻下一个可能的节点，test_goal 函数用来判断该节点是否为目标节点。children 为可能的节点列表，遍历这些节点，将没有走过的节点压入栈中，并做记录。

# find_path.py

from utils import Stack

def dfs(initial, _next = successor， _test = test_goal):

s: Stack = Stack()

marked = {initial}

s.push(initial)

while s:

parent: state = s.pop()

if _test(parent):

return parent

children = _next(parent)

for child in children:

if child not in marked:

marked.add(child)

s.push(child)

接下来，我们使用 DFS 算法寻找迷宫路径，并对搜寻到的迷宫路径进行可视化演示。

首先使用枚举，来表示路径的颜色, EMPTY 为正常节点，BLOCKED 为障碍节点，START 为迷宫入口，END 为迷宫出口，PATH 为搜寻的路径。

from enum import IntEnum

class Cell(IntEnum):

EMPTY = 255

BLOCKED = 0

START = 100

END = 200

PATH = 150

接下来，我们来定义迷宫。首先，我们采用 Namedtuple 来定义迷宫每个节点的坐标：

class MazeLocation(NamedTuple):

row: int

col: int

首先为了方便确定节点之间的关系，我们在 Maze 类中定义了一个内部类 _Node, 用来记录节点的状态，及节点的父节点。

class _Node:

def __init__(self, state, parent):

self.state = state

self.parent = parent

接着初始化，确定入口与出口的坐标，使用 np.random.choice 函数随机生成迷宫，并标记入口和出口。

def __init__(self, rows: int = 10, cols: int = 10,

sparse: float = 0.2, seed: int = 365,

start: MazeLocation = MazeLocation(0, 0),

end: MazeLocation = MazeLocation(9, 9), *,

grid: Optional[np.array] = None) -> None:

np.random.seed(seed)

self._start: MazeLocation = start

self._end: MazeLocation = end

self._grid: np.array = np.random.choice([Cell.BLOCKED, Cell.EMPTY],

(rows, cols), p=[sparse, 1 - sparse])

self._grid[start] = Cell.START

self._grid[end] = Cell.END

其次是 test_goal 方法，只要该节点坐标与目标节点相即可。

def _test_goal(self, m1: MazeLocation) -> bool:

return m1 == self._end

再就是 successor 方法，只要上下左右方向的节点不是障碍节点且在边界之内，就纳入考虑范围，加入列表之中。

List[MazeLocation]:

location: List[MazeLocation] = []

row, col = self._grid.shape

if m1.row + 1 < row and self._grid[m1.row + 1, m1.col] != Cell.BLOCKED:

location.append(MazeLocation(m1.row + 1, m1.col))

if m1.row - 1 >= 0 and self._grid[m1.row - 1, m1.col] != Cell.BLOCKED:

location.append(MazeLocation(m1.row - 1, m1.col))

if m1.col + 1 < col and self._grid[m1.row, m1.col + 1] != Cell.BLOCKED:

location.append(MazeLocation(m1.row, m1.col + 1))

if m1.col - 1 >= 0 and self._grid[m1.row, m1.col - 1] != Cell.BLOCKED:

location.append(MazeLocation(m1.row, m1.col - 1))

return location

显示路径, pause 为显示图像的间隔,plot 为是否绘图标志。通过目标节点出发，遍历每一个节点的父节点，直到到达初始节点，并绘制路径图。

None:

if pause <= 0:

raise ValueError('pause must be more than 0')

path: Maze._Node = self._search()

if path is None:

print('没有找到路径')

return

path = path.parent

while path.parent is not None:

self._grid[path.state] = Cell.PATH

if plot:

self._draw(pause)

path = path.parent

print('Path Done')

为了使用 DFS 算法，我们定义了 DepthFirstSearch 类，继承迷宫类。DepthFirstSearch 类重写了基类的 _search 方法，与我们之前定义的 dfs 函数定义相差无几。

class DepthFirstSearch(Maze):

def _search(self):

stack: Stack = Stack()

initial: DepthFirstSearch._Node = self._Node(self._start, None)

marked: Set[MazeLocation] = {initial.state}

stack.push(initial)

while stack:

parent: DepthFirstSearch._Node = stack.pop()

state: MazeLocation = parent.state

if self._test_goal(state):

return parent

children: List[MazeLocation] = self._success(state)

for child in children:

if child not in marked:

marked.add(child)

stack.push(self._Node(child, parent))