a*演算法是啟發式搜尋，是一種盡可能基於現有資訊的搜尋策略，也就是說搜尋過程中盡量利用目前已知的諸如迭代步數，以及從初始狀態和當前狀態到目標狀態估計所需的費用等資訊。
a*演算法可以選擇下乙個被檢查的節點時引入了已知的全域性資訊，對當前結點距離終點的距離作出估計，作為評價該節點處於最優路線上的可能性的量度，這樣可以首先搜尋可能性大的節點，從而提高了搜尋過程的效率。
a*演算法的基本思想如下：引入當前節點j的估計函式f*,當前節點j的估計函式定義為：
f*(j)= g(j)+h*(j)
其中g(j)是從起點到當前節點j的實際費用的量度，h*(j)是從節點j到終點的最小費用的估計，可以依據實際情況，選擇h*(j)的具體形式，h*(j)要滿足乙個要求：不能高於節點j到終點的實際最小費用。從起始節點點向目的節點搜尋時，每次都搜尋f*(j)最小的節點，直到發現目的節點。a*演算法的核心是設計估價函式，設計估價函式h(j)有很多方法，下面介紹其中的兩種。
估價函式1：歐幾里德距離
在和起點距離相等的中間節點集合裡，與終點直線距離（歐幾里德距離）越小的節點，方向夾角越小。
估價函式2：曼哈頓距離
利用歐幾里德距離計算估價函式的計算量很大，因此考慮將兩點之間的曼哈頓距離作為估價函式。其中a點的經緯度為(ax,ay),b點的經緯度是(bx,by),則a、b之間的manhattan距離可以表示為:
f(j)=g(j)+(|ax-bx|+|ay-by|) a*
演算法在搜尋中設定兩個表:open表和close表。open表儲存了所有已生成而未被考察的節點，close表中記錄已被考察過的節點。演算法中有一步是根據估計函式重排open表中的節點，這樣，迴圈的每一步只考慮open表中狀態最好（代價最小）的節點，如果被發現在open表中存在同乙個節點，就應比較兩個節點代價的大小，如擴充套件得到的新節點代價大於已有的節點代價，可以放棄擴充套件得到的新節點，否則就以新節點代替原來的節點。如果在close表中存在同乙個節點號，則新新生成的路徑的代價肯定大於原來路徑的代價，可以淘汰新生成的節點。
演算法步驟如下：
步1：生成空的open表、close表，將起點s放入open表
步2：如果open表為空，則失敗退出。
步3：從open表中，找出頭節點u,作為當前節點,將它從open表中移除。
步4：判斷u是否為終點，如果是，則通過節點u的父指標，一直遍歷到起點，找到到最優路徑，演算法結束。否則，轉步5.
步5：擴充套件當前節點u,找到其擴充套件的後繼節點集合v,遍歷集合v中的節點，如果節點即不在open表也不在close表，計算該節點的估計值，將節點加入到open表，設定父節點為u.如果節點在open表、close表，比較當前節點的代價g(v)和open表、close表中代價，如果當前節點的代價g(v)小，更新表中的代價和父節點指標。
步6：按估價值遞增的順序，對open表中所有節點進行排序。
步7：轉步2.
路徑規劃演算法 A 演算法
a a star 演算法是一種靜態路網中求解最短路徑最有效的直接搜尋方法，也是解決許多搜尋問題的有效演算法。演算法中的距離估算值與實際值越接近，最終搜尋速度越快 astar演算法是從起點開始一步步的往終點探索。他有兩個鍊錶open鍊錶和close鍊錶。每探索 本文稱之為 擴充套件 乙個點n時，就獲取...
路徑規劃演算法高階
最早是在大學期間學習路徑規劃演算法，嚴蔚敏 吳偉民的 資料結構 講的最短路徑。當時感到有些晦澀難懂，並沒有理解演算法思想。回頭看，主要是因為應付考試，沒有和實際應用場景建立連線，所以體會不深。畢業後，因為從事地圖有關工作，又想到這些內容，然後複習 研究，總算明白其中道理。這些演算法能解決我們生活中遇...
路徑規劃演算法 路徑規劃演算法學習Day3
2.函式解讀 演算法原理 參考路徑規劃演算法學習day1 路徑規劃演算法學習day1 此方法會結合網路占用法 柵格法來進行實現 總所周知 柵格法生成地圖常規是的自己乙個乙個打，這樣既麻煩還浪費時間 這裡介紹幾種方法 way1 在命令框中碼 map rand k 0.7 k代表多少維地圖 way2 在...