java 迷宫用图像表示_给定imag表示和求解迷宫

我试着对这个问题进行A星搜索。紧接着是框架的Joseph Kern实现和给定的算法伪代码here：def AStar(start, goal, neighbor_nodes, distance, cost_estimate):

def reconstruct_path(came_from, current_node):

path = []

while current_node is not None:

path.append(current_node)

current_node = came_from[current_node]

return list(reversed(path))

g_score = {start: 0}

f_score = {start: g_score[start] + cost_estimate(start, goal)}

openset = {start}

closedset = set()

came_from = {start: None}

while openset:

current = min(openset, key=lambda x: f_score[x])

if current == goal:

return reconstruct_path(came_from, goal)

openset.remove(current)

closedset.add(current)

for neighbor in neighbor_nodes(current):

if neighbor in closedset:

continue

if neighbor not in openset:

openset.add(neighbor)

tentative_g_score = g_score[current] + distance(current, neighbor)

if tentative_g_score >= g_score.get(neighbor, float('inf')):

continue

came_from[neighbor] = current

g_score[neighbor] = tentative_g_score

f_score[neighbor] = tentative_g_score + cost_estimate(neighbor, goal)

return []

由于A-Star是一种启发式搜索算法，你需要想出一个函数来估计剩余成本(这里是：距离)，直到达到目标。除非你对次优方案感到满意，否则不应高估成本。这里的保守选择是manhattan (or taxicab) distance，因为这表示所用Von Neumann邻域网格上两点之间的直线距离。(在这种情况下，这绝对不会高估成本。)

然而，这将大大低估手边给定迷宫的实际成本。因此，我将另外两个距离度量平方欧几里德距离和曼哈顿距离乘以4进行比较。然而，这些可能高估了实际成本，因此可能产生次优结果。

代码如下：import sys

from PIL import Image

def is_blocked(p):

x,y = p

pixel = path_pixels[x,y]

if any(c < 225 for c in pixel):

return True

def von_neumann_neighbors(p):

x, y = p

neighbors = [(x-1, y), (x, y-1), (x+1, y), (x, y+1)]

return [p for p in neighbors if not is_blocked(p)]

def manhattan(p1, p2):

return abs(p1[0]-p2[0]) + abs(p1[1]-p2[1])

def squared_euclidean(p1, p2):

return (p1[0]-p2[0])**2 + (p1[1]-p2[1])**2

start = (400, 984)

goal = (398, 25)

# invoke: python mazesolver.py [.jpg|.png|etc.]

path_img = Image.open(sys.argv[1])

path_pixels = path_img.load()

distance = manhattan

heuristic = manhattan

path = AStar(start, goal, von_neumann_neighbors, distance, heuristic)

for position in path:

x,y = position

path_pixels[x,y] = (255,0,0) # red

path_img.save(sys.argv[2])

这里有一些图片用于结果的可视化(受Joseph Kern发布的图片的启发)。动画在main while循环的10000次迭代后显示一个新帧。

广度优先搜索：

A星曼哈顿距离：

A星平方欧氏距离：

A星曼哈顿距离乘以4：

结果表明，对于所使用的启发式方法，迷宫的探索区域有很大的不同。因此，平方欧几里德距离甚至会产生与其他度量不同的(次优)路径。

关于A-Star算法在终止前的运行时间方面的性能，请注意，与只需要评估每个候选位置的“目标性”的广度优先搜索(BFS)相比，对距离和成本函数的许多评估相加。这些额外的功能评估(A-Star)的成本是否超过要检查的节点(BFS)的成本，特别是性能是否对应用程序来说是一个问题，这是个人的看法，当然不能得到普遍的回答。

与穷举搜索(例如，BFS)相比，通常可以说关于知情搜索算法(例如A-Star)是否是更好的选择的事情如下。随着迷宫维数的增加，即搜索树的分枝因子的增加，穷举搜索(穷举搜索)的缺点呈指数增长。随着复杂性的增加，这样做变得越来越不可行，在某个时候，无论结果路径是(近似)最优还是非最优，您都会对任何结果路径感到非常满意。