A* - 启发式搜索

A*

算法特点

• 启发式搜索算法
• 适用于静态环境中的路径规划
• 求解源点到目标点之间的最短路径，需要指明目标点（即目标点位置已知，这样才能有效的计算$h(x)$）。

1 基本概念

• 启发式方法:

  一种根据经验规则进行发现的方法

• 启发函数 $h(x)$:

  1. 曼哈顿距离: 只允许上下左右移动的情况
     $$D=|x_1-x_2|+|y_1-y_2|$$

  2. 欧几里得距离: 允许朝任意方向移动
     $$D=\sqrt{(x_1-x_2{)}^2+(y_1-y_2{)}^2}$$

  3. 其他: 例如对角距离等

2 算法实现

评价函数

$$f(n)=g(n)+h(n)$$

• $g(n)$ 表示从起点 $S$ 到的最优路径的实际成本, 即从起点到当前节点已经走过的路程。（其实可以理解为 Dijkstra 算法中的 dis 数组）
• $h(n)$ 表示从当前节点到目标节点 $T$ 的预估成本, 使用启发函数来计算, 根据具体问题, 一般为曼哈顿距离或者欧氏距离

算法输入

要具体研究一个算法，首先定义输入结构：

• 起点 $S$ 坐标已知 $(x_1,y_1)$，终点 E 坐标已知 $(x_2,y_2)$。
• 输入地图为一个 $N\ast N$ 的方阵，其中每个元素代表一个实际地图的像素，假设每一个相邻像素之间的距离为 $1$，斜对角相邻元素的距离为 $\sqrt{2}$ ，其中有一些像素为障碍物。

这里首先定义两个集合:

• 开放列表（OpenList）：已经访问过，但是没有确定最短路径的节点。
• 关闭列表（CloseList）：已经确定了源点到其的最短路径的节点。

算法流程

1. 将起点 $S$ 放入开放列表 (openList) 中.

2. 遍历开放列表

   1. 计算列表中的每一个节点 $n$ 的评价函数$f(n)$ , 查找$f(n)$ 函数值最小的节点, 将这个节点作为当前要处理的节点$N$

   2. 对于当前正在处理的节点 $N$ , 遍历与之相邻的其他所有节点 $N_{near}$

      • 假设当前正在处理的相邻节点为 $N_{near}$

        1. $N_{near}$ 已经在关闭列表中（已经确定最短路径），或者不可达（障碍物），则忽略该节点

        2. $N_{near}$ 不在开放列表中（未被访问过），则将其加入开放列表，将当前节点 $N$ 设置为 $N_{near}$ 的父结点，计算节点 $N_{near}$ 的评价函数 $f(N_{near})$ ,$g(N_{near})$

        3. $N_{near}$ 已经在开放列表中（已经访问过但未确定最短路径），则需要检查这条路径（节点 $N$ 到节点 $N_{near}$ 的路径）是否更好，参考指标为 $g(N_{near})$ ,若$g(N_{near})$ 更小，则说明该路径更好，则将它的父亲节点（设为节点）设置为当前节点 $N$ ，并重新计算$f(N_{near})$ 。

           g ( N n e a r ) = m i n {   g ( N ) + d i s t a c e ( N , N n e a r )   ,   g ( N n e a r )   } g(N_{near}) = min\left\{\ g(N)+distace(N,N_{near})\ ,\ g(N_{near}) \ \right\} g(Nnear​)=min{ g(N)+distace(N,Nnear​) , g(Nnear​) }

   3. 当前节点 $N$ 处理完毕， 移动到关闭列表，表示该节点已经不需要被继续关注。

3. 重复步骤「2」直到满足以下条件之一，算法结束：

   1. 终点进入了开放（找到了起点到终点的路径）
   2. 开放列表为空，仍未找到终点（无法找到起点到终点的路径）

4. 路径回溯：如果在步骤「3」中，存在从终点到起点的路径，则回溯找到最短路径：

   从终点开始，每一个节点都沿着父亲节点移动，直到找到起点。

样例以及源码

github仓库