图搜索的经典启发式算法A星(A*、A Star)算法详解

文章目录

  • 1. 引言
  • 2. 广度优先搜索
  • 3. Dijkstra 算法
  • 4. 启发式优先搜索(Heuristic)
    • 4.1 贪心最佳优先搜索
    • 4.2 A*搜索


1. 引言

在许多场景中,我们常会遇到一类问题,即“找到一个位置到另一个位置的距离最短(用时最少)的路径”,解决这类问题可以将实际问题映射到一张网络图上,并通过图搜索算法进行求解,这里所说的图搜索算法指的是一系列基于图的算法,而本文将介绍的 A* 算法是其中最为流行的启发式搜索算法,由于 A* 算法结合了其他的基础图搜索的特点,因此本文将从最简单的图搜索算法“广度优先搜索”开始介绍,逐步扩展至 A* 算法。

在这里插入图片描述

刚才提到,图搜索算法都需要基于一张图,即将实际的复杂的地图映射成具有固定节点( N o d e s Nodes Nodes)和边( E d g e s Edges Edges)的图( G r a p h Graph Graph),有些边是有方向限制的,为弧 A r c s Arcs Arcs。具体的映射方式很多,即同样一张地图,可以映射成具有 10 10 10 个节点的路线图,也可以映射成 100 100 100 个节点的网格图,在求解过程中,节点数越多的图的求解时间越长,尽管它在一定程度上更能近似于实际情况且更易处理。

2. 广度优先搜索

广度优先搜索(Breadth First Search, BFS)原本是一种在树形数据结构中搜索满足给定属性的节点的算法,后在 1961 年由 CY Lee 等人开发成一种路径搜索算法。

在图搜索中,有一个称为待探索边界 f r o n t i e r frontier frontier 的概念,即图搜索算法基于起点,不断地推进待探索边界,直到该边界触碰到目标点时结束,而由于该算法的特点是在所有方向上平等地探索,因此这个推进待探索边界的过程也被称为“洪水填充 ( f l o o d f i l l ) (flood\ fill) (flood fill)”,该算法由于简单易实现的特性,在许多寻路和图分析场景都有应用,具体如下图所示。

在这里插入图片描述

这里的 f r o n t i e r frontier frontier 在代码实现中,是一个待探索的节点队列。队列的初始元素为起始点,基于起始点向前一步探索(下一步可以走到哪些节点),将这些相邻节点扩展到 f r o n t i e r frontier frontier 队列当中,以此类推。每扩展一个节点,记录下该节点的父节点,方便在探索到目标节点后,返回出最优路线。该算法在路径搜索问题上的逻辑如下(伪代码):

frontier = Queue() 			# 生成一个队列
frontier.put(start)			# 以起点作为开始
came_from = dict() 			# path A->B 存储为 came_from[B] == A
came_from[start] = None		# 存储每个节点的上一个位置while not frontier.empty(): # 只要边界队列不为空就循环下去current = frontier.get() # 从边界中取出一个点if current = goal:		# 算法终止机制,判断当前节点是否为目标点break					# 路径长度限制、遍历的点数、寻到的目标点数......都可以是终止约束for next in graph.neighbors(current): # 基于这个点向相邻的点进行扩展if next not in came_from: # 只要这个扩展的点不曾遍历到,就添加到边界中和已遍历节点集合中frontier.put(next)came_from[next] = current# 获得最有路线
current = goal 
path = []
while current != start: path.append(current) # 从目标点回溯到起点current = came_from[current]
path.append(start)
path.reverse() 			# optional 获得最优路线

3. Dijkstra 算法

前文的广度优先搜索算法,在待探索边界上,以同样的权重按顺序地推进待探索边界,即认为每个边的权重是一致的,但在实际的许多场景中,连接节点的边的权重往往并不相同,显然,在相同的探索深度下,累计代价最小的节点有更大的概率探索到总代价 g ( n ) g(n) g(n) 小的路线,因此基于广度优先搜索的思路,将待探索边界从普通队列变更为优先队列,评估优先顺序时考虑当前节点到起始点的距离(成本)。

常常用 g ( n ) g(n) g(n) 表示从起始节点到 n n n 节点的路径成本。

由于 Dijkstra 算法带有权重地进行探索,改变了 f r o n t i e r frontier frontier 的推进方向,因此有可能出现多次(不同路线)探索同一个节点的情况,对于已经探索过的节点,如果新路线的累积代价更小,则更新该节点的信息。基于 Dijkstra 算法的伪代码如下:

frontier = PriorityQueue()			# 生成优先队列
frontier.put(start, 0)				# 优先遍历队列中优先度更好(小)的节点
came_from = dict()
cost_so_far = dict()				# 存储节点和起点之间的距离
came_from[start] = None
cost_so_far[start] = 0while not frontier.empty():current = frontier.get()if current == goal:breakfor next in graph.neighbors(current):new_cost = cost_so_far[current] + graph.cost(current, next)if next not in cost_so_far or new_cost < cost_so_far[next]:# 判断新的总移动成本,cost_so_far[next] = new_costpriority = new_costfrontier.put(next, priority)came_from[next] = current

与广度优先搜索算法一样,Dijkstra 算法能保证最终找到最优的路径,而 Dijkstra 算法相比广度优先搜索节省了大量的计算时间。

4. 启发式优先搜索(Heuristic)

前面提到的广度优先搜索和 D i j k s t r a Dijkstra Dijkstra 算法适合于找单个起点到多个节点的路径;而如果是找单个起点到具体某一个节点的路径,则由于我们的目标很明确,我们希望从目标节点中获取启发信息,例如在探索节点时,优先探索距离目标点更近的节点。当然,这里的“距离近”并不一定是真实距离,它为待探索边界的优先顺序提供了一定的启发信息。

例如:这里用当前点与目标点之间的曼哈顿距离作为启发信息:

def heuristic(a, b):# Manhattan distance on a square gridreturn abs(a.x - b.x) + abs(a.y - b.y) # 这里用的简答的曼哈顿距离

4.1 贪心最佳优先搜索

在启发式搜索方法中,最简单易实现的是贪心最佳优先搜索(Greedy Best First Search, GBFS),即优先探索距离目标最“近”的节点,在一些情况下,该算法的效率极高,但对于较为复杂(待障碍物等)的图搜索问题,该算法往往不能保证找到最优的路径

算法逻辑其实就是在广度优先搜索 B F S BFS BFS 算法上,增加启发信息 h e u r i s t i c heuristic heuristic,具体的伪代码如下:

frontier = PriorityQueue()
frontier.put(start, 0)
came_from = dict()
came_from[start] = Nonewhile not frontier.empty():current = frontier.get()if current == goal:breakfor next in graph.neighbors(current):if next not in came_from:priority = heuristic(goal, next)frontier.put(next, priority)came_from[next] = current

对于节点到目标点的估计距离,常常用符号 h ( n ) h(n) h(n) 进行表示。

4.2 A*搜索

前面提到的三种图搜索算法都各有优势,而 A* 算法简单而言,就是既学 Dijkstra 算法参考已产生的累积代价,又学了贪心最佳优先搜索参考了与目标节点的启发信息。前者能保证找到最优路线,而后者能提高算法的求解效率。

对于图中的每条边 ( x , y ) (x,y) (x,y),用 d ( x , y ) d(x,y) d(x,y) 表示边的长度,用 h ( x ) h(x) h(x) 表示节点 x x x 到目标点的估计距离,如果恒满足 h ( x ) ≤ d ( x , y ) + h ( y ) h(x)\leq d(x,y)+h(y) h(x)d(x,y)+h(y),则可得 f ( x ) = h ( x ) + g ( x ) ≤ g ( x ) + d ( x , y ) + h ( y ) = f ( y ) f(x)=h(x)+g(x)\leq g(x)+d(x,y)+h(y)=f(y) f(x)=h(x)+g(x)g(x)+d(x,y)+h(y)=f(y),此时 h h h 满足三角不等式,可以称之具备一致性,通过一致性的 h h h 函数,能使 A* 算法一定找到最优路径。

具体 A* 算法的计算逻辑伪代码如下:

frontier = PriorityQueue()
frontier.put(start, 0)
came_from = dict()
cost_so_far = dict()
came_from[start] = None
cost_so_far[start] = 0			# 与起点的距离while not frontier.empty():current = frontier.get()if current == goal:breakfor next in graph.neighbors(current):new_cost = cost_so_far[current] + graph.cost(current, next)if next not in cost_so_far or new_cost < cost_so_far[next]:cost_so_far[next] = new_costpriority = new_cost + heuristic(goal, next) # 与目标点的估计距离frontier.put(next, priority)came_from[next] = current

A* 算法综合考虑 g ( n ) g(n) g(n) h ( n ) h(n) h(n),如果 A* 算法中当前点到目标点的估计距离相对于与起点的实际距离很小,与起点的距离主导边界队列的搜索顺序,则 A* 算法表现出 D i j k s t r a Dijkstra Dijkstra 算法的性能;反之,则表现出类似 G B F S GBFS GBFS 的搜索性能。

总体而言, B F S BFS BFS 无差别地探索所有的路径,但是复杂度太高,但适用于目标节点未知(寻宝)的情况; D i j k s t r a Dijkstra Dijkstra 算法能保证找到最短路径,但因为没有用到目标点的信息,在探索方向上会花费大量时间; G B F S GBFS GBFS 仅向着目标点优化,算法的效率很高,但是不能保证找到最优路径;而 A ∗ A^* A 算法既考虑了和起点的距离,也考虑了和目标点的距离(两者求和),在预估函数满足一定条件下,能保证找到最优解,效率比 D i j k s t r a Dijkstra Dijkstra 算法高一些,比 G B F S GBFS GBFS 算法低一些。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/web/2982.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

抽象类和接口有什么区别?

1.抽象类&#xff08;abstract&#xff09;是事物的共有&#xff0c;主要是继承 接口&#xff08;interface&#xff09;是定义一组规范&#xff0c;主要是实现 2.抽象类是有构造方法 接口没有构造方法 3.抽象类有抽象方法&#xff0c;也有非抽象方法 接口自从jdk8之后&#xf…

使用 Rust 后,我​​使用 Python 的方式发生了变化

使用 Rust 后&#xff0c;我​​使用 Python 的方式发生了变化 Using type hints where possible, and sticking to the classic “make illegal state unrepresentable” principle. 尽可能使用类型提示&#xff0c;并坚持经典的“使非法状态不可表示”原则。 近年来&#xff…

【Pytorch】(十三)PyTorch模型部署: TorchScript

文章目录 &#xff08;十三&#xff09;PyTorch模型部署Pytorch动态图的优缺点TorchScriptPytorch模型转换为TorchScripttorch.jit.tracetorch.jit.scripttrace和script的区别总结script 和 trace 混合使用保存和加载模型 &#xff08;十三&#xff09;PyTorch模型部署 Pytorc…

科学高效备考AMC8和AMC10竞赛,吃透2000-2024年1850道真题和解析

如何科学、有效地备考AMC8、AMC10美国数学竞赛&#xff1f;多做真题&#xff0c;吃透真题是科学有效的方法之一&#xff0c;通过做真题&#xff0c;可以帮助孩子找到真实竞赛的感觉&#xff0c;而且更加贴近比赛的内容&#xff0c;可以通过真题查漏补缺&#xff0c;更有针对性的…

jni 写日志

jni 写日志&#xff0c;每隔一分钟写一个日志文件 // 全局变量用于存储日志文件的日期和路径 std::string currentLogFile;// 获取当前日期时间的函数 std::string getCurrentDateTime() {time_t now time(0);struct tm *timeinfo localtime(&now);char buffer[80];strf…

Leetcode30-最小展台数量(66)

1、题目 力扣嘉年华将举办一系列展览活动&#xff0c;后勤部将负责为每场展览提供所需要的展台。 已知后勤部得到了一份需求清单&#xff0c;记录了近期展览所需要的展台类型&#xff0c; demand[i][j] 表示第 i 天展览时第 j 个展台的类型。 在满足每一天展台需求的基础上&am…

成功解决ImportError: cannot import name ‘builder‘ from ‘google.protobuf.internal

成功解决ImportError: cannot import name builder from google.protobuf.internal 目录 解决问题 解决思路 解决方法 解决问题 ImportError: cannot import name builder from google.protobuf.internal 解决思路 导入错误:无法从“google.protobuf.internal”导入名称“…

在React函数组件中使用错误边界和errorElement进行错误处理

在React 18中,函数组件可以使用两种方式来处理错误: 使用 ErrorBoundary ErrorBoundary 是一种基于类的组件,可以捕获其子组件树中的任何 JavaScript 错误,并记录这些错误、渲染备用 UI 而不是冻结的组件树。 在函数组件中使用 ErrorBoundary,需要先创建一个基于类的 ErrorB…

三高架构是什么

三高架构&#xff0c;也称为三高模型&#xff0c;是指高并发、高可用、高性能的系统架构模型。它是在互联网时代应运而生的一种新型的软件架构&#xff0c;主要用于解决互联网系统架构中需要面对的关键问题。 高并发&#xff1a;指系统能够处理大量并发请求的能力。在高并发场…

课时105:正则表达式_进阶知识_扩展符号

1.1.1 扩展符号 学习目标 这一节&#xff0c;我们从 基础知识、简单实践、小结 三个方面来学习 基础知识 简介 字母模式匹配[:alnum:] 字母和数字[:alpha:] 代表任何英文大小写字符&#xff0c;亦即 A-Z, a-z[:lower:] 小写字母,示例:[[:lower:]],相当于[a-z][:upper:] 大…

VS使用技巧

VS使用技巧 1、展开和缩进代码2、代码注释和取消注释 1、展开和缩进代码 缩进&#xff1a;ctrlmo 展开&#xff1a;ctrlml 2、代码注释和取消注释 注释&#xff1a;ctrlkc 取消注释&#xff1a;ctrlku

网络通信安全

一、网络通信安全基础 TCP/IP协议简介 TCP/IP体系结构、以太网、Internet地址、端口 TCP/IP协议简介如下&#xff1a;&#xff08;from文心一言&#xff09; TCP/IP&#xff08;Transmission Control Protocol/Internet Protocol&#xff0c;传输控制协议/网际协议&#xff0…

用友NC Cloud importhttpscer接口任意文件上传漏洞

声明 本文仅用于技术交流&#xff0c;请勿用于非法用途 由于传播、利用此文所提供的信息而造成的任何直接或者间接的后果及损失&#xff0c;均由使用者本人负责&#xff0c;文章作者不为此承担任何责任。 一、漏洞描述 用友NC Cloud的importhttpscer接口如果存在任意文件上传…

搭建最新tensorflow 与pytorch环境

1、安装 Anaconda: 如果您尚未安装 Anaconda&#xff0c;首先访问 https://www.anaconda.com/products/distribution/ 下载适用于您操作系统的最新版本。按照官方指南完成安装过程。 2、设置 Conda 源 方法一&#xff1a;命令行配置 临时使用&#xff1a; 如果您只想临时为…

开源文本嵌入模型M3E

进入正文前&#xff0c;先扯点题外话 这两天遇到一个棘手的问题&#xff0c;在用 docker pull 拉取镜像时&#xff0c;会报错&#xff1a; x509: certificate has expired or is not yet valid 具体是下面&#x1f447;这样的 rootDS918:/volume2/docker/xiaoya# docker pul…

恒峰智慧科技—森林守护者:森林消防泵如何助力灭火?

在茂密的森林中&#xff0c;一场突如其来的火灾可能带来无法估量的破坏。幸运的是&#xff0c;森林消防泵的出现&#xff0c;帮助我们对抗这些威胁。本文将深入探讨森林消防泵如何在灭火工作中发挥重要作用。 一、森林消防泵的功能和重要性&#xff1a; 首先&#xff0c;我们需…

探索人工智能的边界:GPT 4.0与文心一言 4.0免费使用体验全揭秘!

探索人工智能的边界&#xff1a;GPT与文心一言免费试用体验全揭秘&#xff01; 前言免费使用文心一言4.0的方法官方入口进入存在的问题免费使用文心一言4.0的方法 免费使用GPT4.0的方法官方入口进入存在的问题免费使用GPT4.0的方法 前言 未来已来&#xff0c;人工智能已经可以…

Hive安装与配置实战指南

Hive安装与配置实战指南 在大数据领域中&#xff0c;Hive以其类SQL的查询语言HQL、可扩展的数据仓库能力和对Hadoop生态系统的良好集成&#xff0c;成为了数据分析和处理的重要工具。本文将指导您完成Hive的安装与配置&#xff0c;帮助您快速搭建起自己的Hive环境。 一、环境…

FreeSWITCH rtp 统计

现在能想到的是几个办法&#xff1a; 1. cdr 增加下面元素&#xff1a; rtp_audio_in_raw_bytes rtp_audio_in_media_bytes rtp_audio_in_packet_count rtp_audio_in_media_packet_count rtp_audio_in_skip_packet_count rtp_audio_in_jb_packet_count rtp_audio_in_dtmf_pac…

06.2_c/c++开源库boost_coroutine2 协程库

1.安装与说明 安装 sudo apt install libboost-coroutine1.71-dev 编译链接 libboost-coroutine不支持.pc格式查看, 支持.cmake导入 cat /usr/lib/x86_64-linux-gnu/cmake/boost_coroutine-1.71.0/boost_coroutine-config.cmake cat /usr/lib/x86_64-linux-gnu/cmake/boost…