A*算法详细讲解以及实现
A*简介
A算法是启发式算法重要的一种，主要是用于在两点之间选择一个最优路径，而A的实现也是通过一个估值函数
F=G+H
- G表示该点到起始点位所需要的代价
- H表示该点到终点的曼哈顿距离。
- F就是G和H的总和，而最优路径也就是选择最小的F值，进行下一步移动（后边会做详细介绍）
曼哈顿距离
Paste_Image.png
上图中这个熊到树叶的曼哈顿距离就是蓝色线所表示的距离，这其中不考虑障碍物，假如上图每一个方格长度为1，那么此时的熊的曼哈顿距离就为9. 起点（X1,Y1）,终点（X2,Y2）,H=|X2-X1|+|Y2-Y1| 我们也可以通过几何坐标点来算出曼哈顿距离，还是以上图为例，左下角为（0，0）点，熊的位置为（1，4），树叶的位置为（7，1），那么H=|7-1|+|1-4|=9。
A算法现在被广泛应用与电脑游戏中的路径规划问题。我们就以此为例来介绍A算法的具体实施步骤。如下图所示，其中A表示起点，B表示终点，黑色的实心方块表示障碍物。此外我们假设水平或垂直方向上相邻的两个方块之间距离是10，那么对角线方向上相邻的两个方块距离就约是14。
算法开始，我们首先搜索A相邻的所有可能的移动位置（对应于图中的绿色方块）。每个方块左上角的值G表示该点到A的距离，右上角值为H，注意H不能大于该点到B的距离，所以这里的H就取其到B的距离。最后，还要计算一个F值，F=H+G。
然后像Dijkstra算法一样，我们选一个F值最小的节点来做继续搜索。也就是上图中A的邻域中位于左上角的值（F=42）。然后更新该节点的领域值。
这时你会发现，出现了三个F值都等于48的节点。到底应该选择哪一个来继续接下来的搜索呢？这时需要考察它们中的那个H值最小，结果发现H=24是最小的，所以下面就要从该点出发继续搜索。于是更新该节点的邻域方块中的值。
这个时候再找出全局F值最小的点，结果发现有两个为48（而且它们的H值也相当），于是随机选取一个作为新的出发点并更新其邻域值（例如选择右上方的方块），然后在从全局选取F最小的更新其邻域值，于是有：
此时全局F最小的值为54，而且F=54的节点有两个，所以我们还是选择其中H值最小的来做更新。于是更新该节点邻域方块中的值。这里你需要注意的一个地方是，F=54的红色节点下方邻域（F=68）的方块中，G=38。但是，从A到该节点的最短路径应该是30。这是因为目前程序所选择的路径是下图中紫色线路所规程出来的路径，其G的增长序列是14→24→38。
不过不要紧，只要继续执行算法，更新全局F值为最小节点（F=54）的方块，上面的G值就会给更新为正确的值了。
此时，全局F值最小的方块中F=60，所以更新该节点邻域方块中的值。
现在全局F值最小的有两个，都为68，此时先更新H最小的。这是其实程序已经发现左侧F=68的节点并不能引导一条更短的路径。于是接下来就要转向右侧F=68的节点，并以此为新起点搜索路径。
最终反复执行上述过程，你就会得到如下图中蓝色方块所示的一条最短路径。
腾讯云开发者
