A*算法研究

许多工业与科学计算问题都可以转化为在图中寻路问题。启发式的寻路方法将问题表示为一个图，然后利用问题本身的信息，来加速解的搜索过程。一个典型的例子是有一些通路连接若干城市，找出从指定起点城市到指定终点城市的路径。但是有些问题不存在如此明显的事先定义好的图，它们的图是隐式图，也就是说，问题给定了搜索起点与一系列操作，对起点进行这些操作得到了它的后继结点，以及该操作的代价，对这些后继结点不断地重复操作，就得到了一个带权的有向图，隐式图就定义好了。

对于解决最小路径问题，A*算法性能卓越。首先，对于任何有解路径，A*总能找到一条最佳路径，也就是说A*算法是可采纳的。其次，在保证能找到最佳路径的前提下，A*算法扩展了最少个数的结点，也就是说A*算法是最优的。

使用启发信息的一种重要方法就是估价函数。A*使用来表示结点的估价函数，它表示从起点到目标，经由结点最小费用路径上的费用。它由和两部分组成，即。其中表示从初始结点到的最佳解路径的费用，表示从到目标结点的最佳解路径的费用。但想要知道它们的精确值很难，我们可以使用来估计，使用来估计，来估计。表示目前为止，从起始点到的最小费用，因为日后可能找到更小的费用，所以有。而在A*算法中，对的估计通常是乐观的，比实际所需的费用要小，即有。它们之间的关系可以用下图形象地表示：

注：黄色是估计值，黑色是最佳解路径费用

A*算法维护两个集合：OPEN 集和 CLOSED 集。OPEN 集包含待检测节点。初始状态的OPEN集仅包含一个元素：开始位置。CLOSED集包含已检测节点。初始状态的CLOSED集为空。从图形上来看，OPEN集是已访问区域的边界，CLOSED集是已访问区域的内部。每个节点还包含一个指向父节点的指针，以确定追踪关系。

算法有一个主循环，重复地从OPEN集中取最优节点n（即f值最小的节点）来检测。如果n是目标节点，那么算法结束；否则，将节点n从OPEN集删除，并添加到CLOSED集中，然后查看n的所有邻节点n'。cost= g(n) + movementcost(n, n')。n'有如下三种情况：

邻结点在CLOSED集中，说明它已被检测过，如果cost<g(n')，那么说明找到了一条通过n到达n'更近的路径，更新g(n')为cost, n'的父结点为n，把邻结点从CLOSED集中删去，并把它重新放入OPEN集中（因为同样都是到达n'，h(n')是一样的，g(n')小必然能带来更小的f(n')），如果cost>=g(n')，则跳过该邻结点。
邻结点在OPEN集中，说明它之前被拓展过，如果cost<g(n')，那么说明找到了一条通过n到达n'更近的路径，更新g(n')为cost, n'的父结点为n，邻结点仍留在OPEN集中。如果cost>=g(n')，则跳过该邻结点。
邻结点不在CLOSED集或者OPEN集中，则加入OPEN集中。

算法用伪代码表示如下：

OPEN = priority queue containing START

CLOSED = empty set

while lowest rank in OPEN is not the GOAL:

current = remove lowest rank item from OPEN

add current to CLOSED

for neighbors of current:

cost = g(current) + movementcost(current, neighbor)

if neighbor in OPEN and cost less than g(neighbor):

remove neighbor from OPEN, because new path is better

if neighbor in CLOSED and cost less than g(neighbor): **

remove neighbor from CLOSED