A星算法实验报告.doc

A*算法实验报告一、 实验原理A*算法，作为启发式算法中很重要的一种，被广泛应用在最优路径求解和一些策略设计的问题中。而A*算法最为核心的部分，就在于它的一个估值函数的设计上： f(n)=g(n)+h(n) 其中f(n)是每个可能试探点的估值，它有两部分组成：一部分为g(n)，它表示从起始搜索点到当前点的代价（通常用某结点在搜索树中的深度来表示）。另一部分，即h(n)，它表示启发式搜索中最为重要的一部分，即当前结点到目标结点的估值，h(n)设计的好坏，直接影响着具有此种启发式函数的启发式算法的是否能称为A*算法。一种具有f(n)=g(n)+h(n)策略的启发式算法能成为A*算法的充分条件是： 1) 搜索树上存在着从起始点到终了点的最优路径。 2) 问题域是有限的。 3）所有结点的子结点的搜索代价值0。 4）h(n)=h*(n) （h*(n)为实际问题的代价值）。 当此四个条件都满足时，一个具有f(n)=g(n)+h(n)策略的启发式算法能成为A*算法，并一定能找到最优解。对于一个搜索问题，显然，条件1,2,3都是很容易满足的，而 条件4)： h(n)g+1; if(lei=2) /如果是斜线走g_value=father-g+1.414;修改后的扩展结点数837三、 实验分析A*算法最为核心的过程，就在每次选择下一个当前搜索点时，是从所有已探知的但未搜索过点中(可能是不同层，亦可不在同一条支路上)，选取f值最小的结点进行展开。而所有“已探知的但未搜索过点”可以通过一个按f值升序的队列(即优先队列)进行排列。这样，在整体的搜索过程中，只要按照类似广度优先的算法框架，从优先队列中弹出队首元素（f值），对其可能子结点计算g、h和f值，直到优先队列为空(无解)或找到终止点为止。若修改地图该算法得到的路径是：算法依然有效其实该算法的启发函数是两点之间的欧式距离，即当前点到目标点的直线距离，对于此题目来说欧式距离启发信息相对太少，若将启发函数改为：chang=end_x-x;kuan=end_y-y;if(chang=kuan)distance=(int)1.414*kuan+chang-kuan;elsedistance=(int)1.414*chang+kuan-chang;即每次保证走的是四十五度，但与上图比较路径多了，代价多了，说明h函数并不合理，不满足可采纳性条件，即hg+1; if(lei=2) /如果是斜线走g_value=father-g+1.414;