首页
学习
活动
专区
工具
TVP
发布
精选内容/技术社群/优惠产品,尽在小程序
立即前往

A×寻路算法的maltab实现以及几点简单的思考

书接上文,上回我们生成了按照预设海陆面积的地图,那么这次就开始为我们的小船寻路吧!

首先先介绍一下A*算法,A*(A-Star)算法是一种静态路网中求解最短路径最有效的直接搜索方法,也是许多其他问题的常用启发式算法。它考虑了全局的信息,可以在一些情况下蜕化为Dijkstra算法以及扫描式算法。由于其优越的性能,在游戏系统中经常利用该算法进行AI的寻路(A*的变种以及其他寻路算法也很高效,后面看情况我去搞一搞)。

下面就是一个简单的A*寻路的例子

(其中紫色是障碍物,绿色是openlist中的点,红色是closelist中的点,黄色则是最终的路径。)

如果我们不考虑H_COST(状态n到目标状态的最佳路径的估计代价),算法蜕化为扫描式算法,如图

如果我们不考虑G_COST(状态中从初始状态到状态n的实际代价),算法蜕化为Dijkstra

对这种算法的详细说明可以参考以下资料:

http://blog.jobbole.com/71044/ 注:里面还讲了变种

B站AV号:av7830414

av8070703

下面讲讲我自己是如何实现的

下图是matlab对应代码的流程图

我直接利用了两点之间距离对H_COST进行估计,利用结构数组完成了编写

最终运行的结果:

代码:链接:https://pan.baidu.com/s/1eTPzLw2 密码:1nzq

接下来我在考虑是不是要加入更多要素,不仅仅是距离影响代价函数。这样的话,会不会更合理一些。如果往这个方向上思考的话,首先要确定加入哪些因素,其次要量化这些因素对船只航行的影响,我觉得可以试试利用神经网络,对人类设定的航线进行学习,从中学习到那些因素对航线设定的影响。(突然觉得这是个很浩大的工程啊,尽力完成吧。。。。)

  • 发表于:
  • 原文链接http://kuaibao.qq.com/s/20180114G0JQDB00?refer=cp_1026
  • 腾讯「腾讯云开发者社区」是腾讯内容开放平台帐号(企鹅号)传播渠道之一,根据《腾讯内容开放平台服务协议》转载发布内容。
  • 如有侵权,请联系 cloudcommunity@tencent.com 删除。

相关快讯

扫码

添加站长 进交流群

领取专属 10元无门槛券

私享最新 技术干货

扫码加入开发者社群
领券