通常情況下，迷宮尋路演算法可以使用深度優先或者廣度優先演算法，但是由於效率的原因，不會直接使用這些演算法，在路徑搜尋演算法中最常見的就是a*尋路演算法。使用a*演算法的魅力之處在於它不僅能找到地圖中從a到b的一條路徑，還能保證找到的是一條最短路徑，它是一種常見的啟發式搜尋演算法，類似於dijkstra演算法一樣的最短路徑查詢演算法，很多遊戲應用中的路徑搜尋基本都是採用這種演算法或者是a*演算法的變種。
1.首先把起始位置點加入到乙個稱為「open list」的列表，在尋路的過程中，目前，我們可以認為open list這個列表會存放許多待測試的點，這些點是通往目標點的關鍵，以後會逐漸往裡面新增更多的測試點，同時，為了效率考慮，通常這個列表是個已經排序的列表。
2.如果open list列表不為空，則重複以下工作：
（1）找出open list中通往目標點代價最小的點作為當前點；
（2）把當前點放入乙個稱為close list的列表；
（3）對當前點周圍的4個點每個進行處理（這裡是限制了斜向的移動），如果該點是可以通過並且該點不在close list列表中，則處理如下；
（4）如果該點正好是目標點，則把當前點作為該點的父節點，並退出迴圈，設定已經找到路徑標記；
（5）如果該點也不在open list中，則計算該節點到目標節點的代價，把當前點作為該點的父節點，並把該節點新增到open list中；
（6）如果該點已經在open list中了，則比較該點和當前點通往目標點的代價，如果當前點的代價更小，則把當前點作為該點的父節點，同時，重新計算該點通往目標點的代價，並把open list重新排序；
3.完成以上迴圈後，如果已經找到路徑，則從目標點開始，依次查詢每個節點的父節點，直到找到開始點，這樣就形成了一條路徑。
以上，就是a*演算法的全部步驟，按照這個步驟，就可以得到一條正確的路徑。這裡有乙個關鍵的地方，就是如何計算每個點通往目標點的代價，之所以稱為a*演算法為啟發式搜尋，就是因為通過評估這個代價值來搜尋最近的路徑，對於任意乙個點的代價值，在a*演算法中通常使用下列的公式計算：
代價f=g+h
在這裡，f表示通往目標點的代價，g表示從起始點移動到該點的距離，h則表示從該點到目標點的距離，比如圖中，可以看到小狗的附近格仔的代價值，其中左上角的數字代表f值，左下角的數字代表g值，右下角的數字代表h值。拿小狗上方的格仔來舉例，g=1，表示從小狗的位置到該點的距離為1個格仔，h=6，表示從小狗到骨頭的距離是6個格仔，則f=g+h=7。在此處，距離的演算法是採用曼哈頓距離，它計算從當前格仔到目的格仔之間水平和垂直的方格的數量總和，例如在平面上，座標（x1,y1）的點和座標（x2,y2）的點的曼哈頓距離為：
|x1-x2|+|y1-y2|
當然，距離的演算法也可以採用其他的方法，實際在遊戲中，這個移動的代價除了要考慮距離因素外，還要考慮當前格仔的遊戲屬性。比如有的格仔表示水路、草地、陸地，這些有可能影響人物移動的速度，實際計算的時候還要把這些考慮在內。
另乙個需要注意的就是，在計算這個距離的時候是毋須考慮障礙因素的，因為在以上a*演算法步驟中會剔除掉障礙。
這樣，按照前面所說的a*演算法的步驟，第一次迴圈open list的時候，把a點作為當前點，同時把a周圍的四個點放入到open list中。第二次迴圈的時候把a右邊的點作為當前點，該點的父節點就是a，這是處理當前點的時候，只需要把當前點的上下兩個點放入open list中，因為左邊的a已經在close list中，而右邊的是牆，所以直接被忽略。
演算法比較簡單就不貼把，用優先佇列比較好實現
最短路徑演算法 最短路
在每年的校賽裡，所有進入決賽的同學都會獲得一件很漂亮的t shirt。但是每當我們的工作人員把上百件的衣服從商店運回到賽場的時候，卻是非常累的！所以現在他們想要尋找最短的從商店到賽場的路線，你可以幫助他們嗎？input 輸入包括多組資料。每組資料第一行是兩個整數n m n 100，m 10000 n...
演算法 最短路徑演算法
ps 能求帶負邊圖，但不能帶負權迴路 可以求出任意兩點之間的最短路徑 主 for k 1 k n k for i 1 i n i for j 1 j n j if i j j k i k dis i j min dis i k dis k j dis i j ps 不支援負邊 求單源最短路徑，即起點...
最短路徑演算法
floyd演算法 012345 001 54 1108 1 2 801 3 3 1035 45 302 5413520 floyd 演算法過程描述如下 首先 以邊集 初始化，得到所有的直接連通代價 依次考慮第 k個結點，對於 中的每乙個 i j 判斷是否滿足 s i j s i k s k j 如果...