A-star 算法原理分析

搜索算法

图论中，应用最广泛的就是搜索算法了，比如，深度优先搜索、广度优先搜索等。在介绍 Dijkstra 算法那篇中，除了深度优先、广度优先这种暴力搜索算法，还有一些最短路算法也可以求得最短路径，并且效率比深度、广度优先搜索高。

在一些大型网络游戏中，往往存在一种场景，游戏中的你需要从当前位置走到目的地，而你只需要在地图中找到目标位置，点击即可自动寻路走过去，那么这个自动寻路的功能是怎么实现的呢？

在实际场景中，游戏地图通常会很大，而且其中的路，障碍物等都不是很规则，并不能简单的将它们抽象成节点和线段。在寻路的过程中需要绕过所有障碍物，并且找到一条不会绕路的路径。似乎最短路是最符合要求的，但是如果地图很大，节点很多很多，那么求最短路的算法执行效率还是太低了。

不管是游戏中的寻路还是我们日常生活中地图软件的路线规划，其实都不需要找到那条最短路，而是在权衡效率和路线质量的情况下，找到一个次优解即可，A* 算法就是可以平衡效率和路线质量，找到次优路线的搜索算法。

A* 算法

A* 算法实际上是对 Dijkstra 算法的优化和改造后得到的。Dijkstra 算法详见：
单源最短路 Dijkstra 算法原理详解、代码实现和复杂度分析.

Dijkstra 算法的核心思想是每次都获取离起始点最近的节点，再向外扩展。

如图，从起始点 1 开始，目的地为节点 5。如果采用 Dijkstra 算法，首先一定会走节点 6，7，8。但实际上走节点 6，7，8 是在绕路了，这肯定不是最佳路径，即一开始有点跑偏了。考虑一下如何避免一开始跑偏这个问题呢？

在 Dijkstra 算法中，我们创建了优先队列，从优先队列中取出节点，再从这个节点扩散到其他节点（有点类似广度优先搜索），优先队列的优先依据是根据起始点到队列中节点最近的一个。即队列中的节点总是离起始点最近的先出队，这样就很好理解为什么一开始会跑偏了。

当我们走到某个节点时，已知的是起始点到该节点的距离 g(i)，Dijkstra 算法判断依据就只有这一个，那么我们是否可以再增加一个判断量来减少跑偏的概率。如果能计算得到当前节点到终点的距离，结合 g(i) 可以实现防止过度跑偏。但是这个 距离是未知的，我们可以计算一个估值，那么如何计算出它的估值呢？

在地图中，我们虽然不知道中间某个点距离终点的最短路，但是我们可以将地图置于坐标轴中，通过计算节点之间的欧几里得距离得到两点之间的直线距离，这便可以作为当前节点离终点距离的估值，欧几里得距离计算需要开平方等复杂的操作，因此我们通过计算简单的曼哈顿距离来代替欧几里得距离，曼哈顿距离就是计算两点之间横纵坐标的距离之和，只涉及到加减法和符号转换。这里得到的距离记为 h(i)，称作启发函数。

如图，绿色线为欧几里得距离，其他为曼哈顿距离。

到这里为止，我们就可以得到最终的估价函数啦，优先队列中以估价函数值最低的优先出队。

f(i) = g(i) + h(i)

A* 算法的代码实现

现在，我们要实现 A* 算法的代码，那么首先就需要抽象出节点等的数据结构，与 Dijkstra 算法相似，但加入了横纵坐标值：

public class Graph {
   
   

    private class Edge {
   
   // 表示边
        public int sid;// 边的起始节点
        public int tid;// 边的结束节点
        public int w;// 边的权重
        
        public Edge(int s, int t, int w) {
   
   
            this.sid = s;
            this.tid = t;
            this.w = w;
        }
    }

    private class Vertex {
   
   
        public int id; // 顶点编号 ID
        public int dist; // 从起始顶点，到这个顶点的距离，也就是 g(i)
        public int f; // 新增：f(i)=g(i)+h(i)
        public int x, y; // 新增：顶点在地图中的坐标（x, y）