**：
很多遊戲特別是rts，rpg類遊戲，都需要用到尋路。尋路演算法有深度優先搜尋（dfs），廣度優先搜尋(bfs)，a星演算法等，而a星演算法是一種具備啟發性策略的演算法，效率是幾種演算法中最高的，因此也成為遊戲中最常用的尋路演算法。
直入正題：
在遊戲設計中，地圖可以劃分為若干大小相同的方塊區域（方格），這些方格就是尋路的基本單元。
在確定了尋路的開始點，結束點的情況下，假定每個方塊都有乙個f值，該值代表了在當前路線下選擇走該方塊的代價。
而a星尋路的思路很簡單：從開始點，每走一步都選擇代價最小的格仔走，直到達到結束點。
a星演算法核心公式就是f值的計算：
f = g + h
f - 方塊的總移動代價
g - 開始點到當前方塊的移動代價
h - 當前方塊到結束點的預估移動代價
以下詳細解釋這個公式，方便更好地理解它。
g值是怎麼計算的？
假設現在我們在某一格仔，鄰近有8個格仔可走，當我們往上、下、左、右這4個格仔走時，移動代價為10；當往左上、左下、右上、右下這4個格仔走時，移動代價為14；即走斜線的移動代價為走直線的1.4倍。
這就是g值最基本的計算方式，適用於大多數2.5drpg頁遊。
基本公式：
g = 移動代價
根據遊戲需要，g值的計算可以進行拓展。如加上地形因素對尋路的影響。格仔地形不同，那麼選擇通過不同地形格仔，移動代價肯定不同。同一段路，平地地形和丘陵地形，雖然都可以走，但平地地形顯然更易走。
我們可以給不同地形賦予不同代價因子，來體現出g值的差異。如給平地地形設定代價因子為1，丘陵地形為2，在移動代價相同情況下，平地地形的g值更低，演算法就會傾向選擇g值更小的平地地形。
拓展公式：
g = 移動代價 * 代價因子
h值是如何預估出來的？
很顯然，在只知道當前點，結束點，不知道這兩者的路徑情況下，我們無法精確地確定h值大小，所以只能進行預估。
有多種方式可以預估h值，如曼哈頓距離、歐式距離、對角線估價，最常用最簡單的方法就是使用曼哈頓距離進行預估：
h = 當前方塊到結束點的水平距離 + 當前方塊到結束點的垂直距離
題外話：a星演算法之所以被認為是具有啟發策略的演算法，在於其可通過預估h值，降低走彎路的可能性，更容易找到一條更短的路徑。其他不具有啟發策略的演算法，沒有做預估處理，只是窮舉出所有可通行路徑，然後從中挑選一條最短的路徑。這也是a星演算法效率更高的原因。
每個方塊的g值、h值是怎麼確定的呢？
g值 = 父節點的g值 + 父節點到當前點的移動代價
h值 = 當前點到結束點的曼哈頓距離
最後，a星演算法還需要用到兩個列表：
開放列表- 用於記錄所有可考慮選擇的格仔
封閉列表- 用於記錄所有不再考慮的格仔
以上就是要完成a星演算法所需要的東西,而演算法的過程並不複雜。
a星演算法偽碼：
a、將開始點記錄為當前點p
b、將當前點p放入封閉列表
c、搜尋點p所有鄰近點，假如某鄰近點既沒有在開放列表或封閉列表裡面，則計算出該鄰近點的f值，並設父節點為p，然後將其放入開放列表
d、判斷開放列表是否已經空了，如果沒有說明在達到結束點前已經找完了所有可能的路徑點，尋路失敗，演算法結束；否則繼續。
e、從開放列表拿出乙個f值最小的點，作為尋路路徑的下一步。
f、判斷該點是否為結束點，如果是，則尋路成功，演算法結束；否則繼續。
g、將該點設為當前點p，跳回步驟c。
後續優化
以上就是a星演算法最基本的原理，明白了基本原理，用2,3百行**寫出乙個可用的a星演算法並不難。當然a星演算法在實際應用中不僅於此，還可以對細節進行優化：
1、選擇排序更快的二叉樹來作為開放列表，幫助我們更快地從開放列表中取出f值最小的點；
2、對何種情況下可以走斜線路徑加以判斷；
3、採用布蘭森漢姆演算法預先判斷兩點是否可以直接通行，可通行就直接返回兩點的直線路徑，不可直接通行再採用a星演算法尋路，提高尋路效率；
4、a星演算法得出尋路路徑後，可採用弗洛伊德演算法對路徑進行平滑處理，使人物走動更為自然
這裡只是用語言講解a星演算法原理，並沒有配圖講解整個尋路的過程，希望進一步直觀理解整個過程的，推薦參考下面兩個網友翻譯過來的a星教程
小白理解教程）
迷宮尋路（A星尋路演算法）
題目 假設我們有乙個7 5大小的迷宮，如下圖所示，綠色格仔表示起點，紅色的格仔表示終點，中間的3個深灰色格仔表示障礙物。請找到一條從起點到終點最短的路徑。解題思路 需要引入兩個集合和乙個公式，如下 具體步驟 把起點放入openlist 檢查openlist中是否有值，如果沒有則無法到達終點，結束尋路...
A 尋路演算法
問題 由於遊戲中尋路出了個小問題 玩家尋路到乙個死角後在那邊不停的來回跑,就是無法越過障礙物,就研究了下a 尋路演算法以解決這個問題 研究了幾天,自己寫了個demo這裡給出總結 原理 a 演算法給出的是權值最優的路徑而不是最短路徑 權值有f g h來表示 啟發式函式如下 f p g p h p h值...
A 尋路演算法
a 演算法是靜態環境下求最短路徑的不二之選，由於是啟發式搜尋，比dijkstra 深搜廣搜要快的多啦。a 也算是我第一次接觸的移動機械人演算法，csdn上的科普文章也不少，但我作為乙個機械的小白，實現出來還是小有成就感滴。今天抽空和大家分享一下原始碼，開發環境win7 64 opengl vs201...