a*演算法的基本原理
>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。
f[i]=g[i]+h[i];\(a*\)演算法最重要的是估價函式\(h[i]\)的設計，\(h[i]\)是估價函式，表示當前節點到終點的預計代價，當估價函式設為\(0\)時,就和普通的最短路沒有區別，設從當前節點到終點的真實值為\(x[i]\)，\(h[i]\)越接近\(x[i]\)，那麼這個演算法效率就越高，但需要注意一點。
我們要保證\(h[i]<=x[i]\)，一旦大於，那麼\(a*\)演算法不能保證其正確性。
想必大家都很熟悉\(bfs\)了，在我的淺顯的理解中，\(a*\)是對\(bfs\)的優化。
\(q:\)假設有人想從\(a\)點移動到一牆之隔的\(b\)點，如下圖，綠色的是起點\(a\)，紅色是終點\(b\)，藍色方塊是中間的牆，假設走一格的代價為10，周圍有八個方向可以移動，對角線的代價是\(10\sqrt 2\)，要求輸出最優的路徑。
第乙個想法是用\(bfs\)(但我們是在講\(a*\)啊喂)
然後我們還是要用\(a*\)的方法解決，和\(bfs\)很像，我們先開乙個優先佇列（按照f值從小到大排序），然後將起點周圍的八個節點放入佇列中，利用上面的公式\(f[i]=g[i]+h[i]\)，這裡不要求輸出最優解，所以對角線用\(14\)近似即可，在格點圖中，\(h[i]\)通常使用當前節點與終點的曼哈頓距離，這樣\(h[i]\)也可以用\(o(1)\)的複雜度求出。
現在我們再開兩個陣列\(vis[i]、t[i]\)，\(vis\)標記了還在佇列中的節點，\(t[i]\)表示不用再被訪問的節點
然後我們用乙個陣列儲存當前節點從哪個節點轉移而來，方便輸出路徑。當第一波操作完成後的情況是這樣的。(左上角表示f值，左下角g值，右下角h值)
下面我們開始一系列操作
\(1.\)找出當前佇列中的隊首(其實就是\(f\)值最小的那個)，將它取消標記在佇列\(vis\)中，放入\(t\)中（一定要區分這兩個陣列，因為每次取的是最優解，這個節點一定不會被更優地更新了，所以它就像障礙物不用再訪問了），然後將它擴充套件，重新計算出\(g、h、f\)，設定父節點，並且將這個節點標記已經訪問（\(vis\)），放入佇列。
\(2.\)如果遇到障礙物或在\(t\)中的節點，則跳過
\(3.\)如果遇到在\(vis\)的節點，檢查轉移後\(g\)值是否小於上次搜尋到時的\(g\)值，如果是，那麼更新這個節點的所有資訊，重新計算，然後很重要的一點是重新設定父節點
好的，接下來不停進行這種操作，直到找到最終節點。
最後要做的，就是從終點開始訪問父節點，將路徑逆推出來就大功告成了,\(a*\)演算法到此為止。
什麼你要\(code?\)不好意思暫時沒有
A 演算法詳解
第一部分 a 演算法簡介 寫這篇文章的初衷是應乙個的要求，當然我也發現現在有關人工智慧的中文站點實在太少，我在這裡 拋磚引玉，希望大家都來熱心的參與。還是說正題，我先拿a 演算法開刀，是因為a 在遊戲中有它很典型的用法，是人工智慧在遊戲中的代表。a 演算法在人工智慧中是一種典型的啟發式搜尋演算法，為...
KMP演算法詳解
模式匹配的kmp演算法詳解 這種由d.e.knuth,j.h.morris和v.r.pratt同時發現的改進的模式匹配演算法簡稱為kmp演算法。大概學過資訊學的都知道，是個比較難理解的演算法，今天特把它搞個徹徹底底明明白白。注意到這是乙個改進的演算法，所以有必要把原來的模式匹配演算法拿出來，其實理解...
KMP演算法詳解
kmp演算法即knuth morris pratt演算法，是模式匹配的一種改進演算法，因為是名字中三人同時發現的，所以稱為kmp演算法。因為偶然接觸到有關kmp的問題，所以上網查了一下next陣列和 nextval陣列的求法，卻沒有找到，只有在csdn的資料檔案裡找到了next陣列的簡單求法 根據書...