A*算法通过下面这个函数来计算每个节点的优先级。
其中:
f(n)是节点n的综合优先级。当我们选择下一个要遍历的节点时,我们总会选取综合优先级最高(值最小)的节点。
g(n) 是节点n距离起点的代价。
h(n)是节点n距离终点的预计代价,这也就是A算法的启发函数。关于启发函数我们在下面详细讲解。
A算法在运算过程中,每次从优先队列中选取f(n)值最小(优先级最高)的节点作为下一个待遍历的节点。
另外,A*算法使用两个集合来表示待遍历的节点,与已经遍历过的节点,这通常称之为open_set和close_set。
完整的A*算法描述如下:
初始化open_set和close_set;
* 将起点加入open_set中,并设置优先级为0(优先级最高);
* 如果open_set不为空,则从open_set中选取优先级最高的节点n:
* 如果节点n为终点,则:
* 从终点开始逐步追踪parent节点,一直达到起点;
* 返回找到的结果路径,算法结束;
* 如果节点n不是终点,则:
* 将节点n从open_set中删除,并加入close_set中;
* 遍历节点n所有的邻近节点:
* 如果邻近节点m在close_set中,则:
* 跳过,选取下一个邻近节点
* 如果邻近节点m也不在open_set中,则:
* 设置节点m的parent为节点n
* 计算节点m的优先级
* 将节点m加入open_set中
启发函数
上面已经提到,启发函数会影响A*算法的行为。
在极端情况下,当启发函数h(n)始终为0,则将由g(n)决定节点的优先级,此时算法就退化成了Dijkstra算法。
如果h(n)始终小于等于节点n到终点的代价,则A算法保证一定能够找到最短路径。但是当h(n)的值越小,算法将遍历越多的节点,也就导致算法越慢。
如果h(n)完全等于节点n到终点的代价,则A算法将找到最佳路径,并且速度很快。可惜的是,并非所有场景下都能做到这一点。因为在没有达到终点之前,我们很难确切算出距离终点还有多远。
如果h(n)的值比节点n到终点的代价要大,则A*算法不能保证找到最短路径,不过此时会很快。
在另外一个极端情况下,如果h()n相较于g(n)大很多,则此时只有h(n)产生效果,这也就变成了最佳优先搜索。
由上面这些信息我们可以知道,通过调节启发函数我们可以控制算法的速度和精确度。因为在一些情况,我们可能未必需要最短路径,而是希望能够尽快找到一个路径即可。这也是A*算法比较灵活的地方。
关于距离
曼哈顿距离
如果图形中只允许朝上下左右四个方向移动,则启发函数可以使用曼哈顿距离,它的计算方法如下图所示:
计算曼哈顿距离的函数如下,这里的D是指两个相邻节点之间的移动代价,通常是一个固定的常数。
function heuristic(node) =
dx = abs(node.x - goal.x)
dy = abs(node.y - goal.y)
return D * (dx + dy)
对角距离
如果图形中允许斜着朝邻近的节点移动,则启发函数可以使用对角距离。它的计算方法如下:
计算对角距离的函数如下,这里的D2指的是两个斜着相邻节点之间的移动代价。如果所有节点都正方形,则其值就是
function heuristic(node) =
dx = abs(node.x - goal.x)
dy = abs(node.y - goal.y)
return D * (dx + dy) + (D2 - 2 * D) * min(dx, dy)
欧几里得距离
如果图形中允许朝任意方向移动,则可以使用欧几里得距离。
欧几里得距离是指两个节点之间的直线距离,因此其计算方法也是我们比较熟悉的:
其函数表示如下:
function heuristic(node) =
dx = abs(node.x - goal.x)
dy = abs(node.y - goal.y)
return D * sqrt(dx * dx + dy * dy)
python代码实现
1.设置一个存储结点属性的类,包括结点,结点的f_score,结点g_score,结点的h_score
如下:
2.代价函数的定义:
用两个点之间的距离来作为h(x)
def A_star(start, goal, a_map):
closedset = set([])
firstItem = HeapItem(start,goal, a_map)
firstItem.set_scores(0.0)
scoreHeap = [firstItem] #openset
openDict = {start:firstItem} #保存openset结点的的一些信息,便于查询
came_from = {}
while any(scoreHeap): # is not empty
#heapq.heappop弹出值最小的点
x = heapq.heappop(scoreHeap)
#如果找到目标节点 回溯路径
if x.node == goal:
return reconstruct_path(came_from,goal)
del openDict[x.node]
closedset.add(x.node)
#对每个相邻节点进行操作
for node_y in a_map.neighbor_nodes(x.node):
if node_y in closedset:
continue
#预估 node_y的g值
tentative_g_score = x.g_score + a_map.dist_between(x.node, node_y)
tentative_is_better = False
tentative_is_new = False
y = openDict.get(node_y,None)
if y == None:
y = HeapItem(node_y, goal, a_map)
openDict[node_y] = y
tentative_is_new = True
elif tentative_g_score < y.g_score:
#如果不是new,只是better的话,也就是之前我们遍历了在openset里面,这时候它就有值存储在HeapItem里面,然后判断由其他的父节点走这条路径过来值会不会更小
tentative_is_better = True
if tentative_is_new or tentative_is_better:
came_from[node_y] = x.node
y.set_scores(tentative_g_score)
if tentative_is_new:
heapq.heappush(scoreHeap, y) #y加入列表,并进行堆排序
else:
heapq.heapify(scoreHeap) #将其堆化排序
return []
用scoreHeap来作为openset
其中neighbor_nodes(x.node)的函数(遍历上下左右):
回溯函数: