A*搜尋演算法概述

奇舞週刊發表於2020-02-10

編者按:本文作者奇舞團前端開發工程師魏川凱。

A*搜尋演算法(A-star search algorithm)是一種常見且應用廣泛的圖搜尋和尋徑演算法。A*搜尋演算法是通過使用啟發式函式來指導尋路,從而高效的保證找到一條最優路徑。A*搜尋演算法最初的設計是用來解決最短路徑問題。但是,從理論來說A*可以解決大多數的成本代數問題。

A*搜尋演算法於1968年,由史丹佛研究院的Peter Hart,Nils Nilsson以及Bertram Raphael首次發表。

原理

A*搜尋演算法綜合了最佳優先搜尋演算法(Best-first search)和Dijkstra演算法的優點,通過一個成本估算函式來指導路徑的搜尋過程:$$ f(n) = g(n) + h(n) $$ 其中:

  • $n$:任意一個頂點

  • $g(n)$:表示起點到任意頂點$n$的實際成本

  • $h(n)$:是一種啟發式函式,表示從任意頂點$n$到目標點的估算成本

在演算法的每次迭代中,會從一個優先佇列中取出$f(n)$值最小(估算成本最低)的節點作為下次待遍歷的節點。這個優先佇列通常稱為open set。然後相應地更新其領域節點的$f(n)$和$g(n)$值,並將這些領域節點新增到優先佇列中。最後把遍歷過的節點放到一個集合中,稱為close set。直到目標節點的$f(n)$值小於佇列中的任何節點的$f(n)$值為止(或者說直到佇列為空為止)。因為目標點的啟發式函式$h(n)$值為0,所以說目標點的$f(n)$值就是最優路徑的實際成本。

下面為A*搜尋演算法的主流程程式碼:

// heuristicFunction,啟發式函式

function aStar(start, goal, heuristicFunction) {

  // 帶估算的節點集合,為一個優先佇列,每次取f(n)值最小的節點

  const openSet = new PriorityQueue()

  openSet.add(start) // 初始只有起點

  const closeSet = [] // 已被估算過的節點集合

  const gScore = { [start]: 0 } // g(n)值

  const hScore = { [start]: heuristicFunction(start, goal) } // h(n)值

  const fScore = { [start]: hScore[start] } // f(n)值

  const cameFrom = {} // 記錄當前節點的上一個節點

  while(!openSet.isEmpty()) {

    const current = openSet.pollFirst()

    if(current === goal)

      return reconstructPath(cameFrom, goal) // 當前節點為目標點,返回最佳路徑

    close_set.add(current)

    // neighborNodes,取出current節點的鄰域節點

    for(let neighbor of neighborNodes(current)) {

      if(close_set.includes(neighbor))

        continue

      // 從起點到neighor的距離

      const tentativeGScore = gScore[current] + distance(neighbor, current)

      if(!openSet.includes(neighbor) || tentativeGScore < gScore[neighbor]) {

        // 記錄neighbor節點的前一個節點

        cameFrom[neighbor] = current

        gScore[y] = tentativeGScore

        hScore[y] = heuristicFunction(neighbor, goal)

        fScore[y] = gScore[neighbor] + hScore[neighbor]

        openSet.add(neighbor)

      }

    }

  }

}

function reconstructPath(cameFrom, current) {

    const bestPath = [current]

    while(cameFrom[current]) {

      current = cameFrom[current]

      bestPath.unshift(current)

    }

    return bestPath

}

啟發式函式

啟發式函式作為A*搜尋演算法的核心,對演算法的行為有著重大的影響,具體有以下幾種情況:

  • 當啟發式函式$h(n)$始終為0時,則將由從起點到任意頂點n的距離$g(n)$決定,此時A*演算法將等效於Dijkstra演算法。此時,可以考慮初始化一個值非常大的全域性計數器C,每次處理一個節點時,將C分配給它所有領域節點。每次分配後,再將計數器C減一。節點被發現的越早,其$h(x)$值就越高。從而實現深度優先遍歷。

  • 當$h(n)$始終小於等於頂點n到目標點的實際成本,則A*演算法一定可以求出最優解。但是當$h(n)$的值越小,演算法需要計算的節點越多,演算法效率越低。

  • 當$h(n)$完全等於頂點n到目標點的實際成本,則A*演算法將以較快的速度找到最優解。可惜的是,並非所有場景下都能做到這一點。因為在沒有達到目標點之前,我們很難確切算出距離目標點還有多遠。

  • 當$h(n)$大於頂點n到目標點的實際成本,則A*不能保證找到一條最短路徑,但它執行得更快。

  • 當從起點到任意頂點n的實際成本$g(n)$等於0,或者$h(n)$值遠遠大於$g(n)$時,則只有h(n)起作用,此時演算法演變成最佳優先搜尋演算法,速度最快,但可能得不出最優解。

可以看出,通過調節$h(n)$可以控制演算法的精度和速度。一些情況下,我們未必要找到最佳路徑,而是要高效的找出差不多好的路徑,所以需要權衡,這個我們後面在講。

二維網格地圖中的啟發式函式

在二維網格地圖中,有如下幾種常見的啟發式函式:

  • 如果允許朝四個方向移動,即上下左右,則可以使用曼哈頓距離($L_1\,norm$)

  • 如果允許朝八個方向移動,即增加了對角線方向,則可以使用切比雪夫距離($L_\infty\,norm$)

  • 如果允許朝任何方向移動,則可以使用歐幾里得距離($L_2\,norm$)

曼哈頓距離

曼哈頓距離(Manhattan distance)是指兩點所形成的線段對座標軸產生的投影的長度總和。在向量空間中又稱為L1範數。在直角座標系下,兩點之間的曼哈頓距離為:$$ d(x, y) = |x_1 - x_2| + |y_1 - y_2| $$

A*搜尋演算法概述

因此曼哈頓距離的啟發式函式為:$$ h(n) = D \times (|n.x - goal.x| + |n.y - goal.y|) $$ 其中D是節點移動的單位成本,一般是一個常數。

切比雪夫距離

切比雪夫距離(Chebyshev distance)是指二個點之間的距離定義為其各座標數值差的最大值。在向量空間中又稱為L∞範數。在直角座標系下,兩點之間的切比雪夫距離為:$$ d(x, y) = max(|x_1 - x_2|, |y_1 - y_2|) $$

A*搜尋演算法概述

因此切比雪夫距離的啟發式函式為:$$ h(n) = D \times max(|n.x - goal.x|, |n.y - goal.y|) $$ 上面的函式前提是直線和對角線的移動成本都是D,如果對角線的移動成本不是D,則上面的函式是不準確的,那就需要一個更準確的函式:$$ h(n) = D \times (|n.x - goal.x| + |n.y - goal.y|) + \sqrt{2} D min(|n.x - goal.x|, |n.y - goal.y|) $$

歐幾里得距離

歐幾里得距離(Euclidean distance)是指兩點之間的直線距離。在向量空間中又稱為L2範數。在直角座標系下,兩點之間的歐幾里得距離為:$$ d(x,y)=\sqrt{(x_2 - x_1)^2+(y_2 - y_1)^2} $$

A*搜尋演算法概述

因此歐幾里得距離的啟發式函式為:$$ h(n) = D \times \sqrt{(n.x - goal.x)^2+(n.y - goal.y)^2} $$

鬆弛

前面的章節我們提到,通過調節$h(n)$可以控制演算法的速度和精度,一些情況下,我們可以犧牲最優性,來加快搜尋速度。這時候需要做一些鬆弛操作,以便我們求得相較於最優解(1+ε)倍的次優解。

  • 靜態加權。假設$h(n)$是一個啟發式函式,我們可以用$h_w(n = ε \times h(n), ε > 1)$作為加權後的啟發式函式,由於擴充套件了較少的節點,因此速度加快,找到的路徑的誤差最多是最小路徑的ε倍。

  • 動態加權。通過動態改變權重大小,從而控制搜尋的速度,可以使用如下的啟發式函式:$$ f(n)=g(n)+(1+εω(n))h(n) $$ 其中

    • w(n)是計算權重的函式,當前搜尋深度較小時,會獲得較大的權重,加快搜尋速度:$$ ω(n) = \begin{cases} 1 - \frac{d(n)}{N} & d(n) \leq N \ 0 & otherwise \end{cases} $$

    • $d(n)$是搜尋深度,$N$是最終路徑的預期長度,ε是允許的誤差範圍。

  • 通過偏好離目標點最近的節點來加快深度遍歷,以提高速度。使用如下的啟發式函式:

    $$  f\alpha(n)=(1+w\alpha(n))f(n) $$

    其中

    • wα(n)是計算權重的函式

      $$  w_\alpha(n)=\begin{cases} \lambda & g(\pi(n)) \leq g(\tilde{n}) \ \Lambda & otherwise \end{cases} $$

    • λ和Λ是$\lambda \leq \Lambda$的常量,$π(n)$是n的父節點,而ñ是要擴充套件的節點。

參考連線

  1. https://en.wikipedia.org/wiki/A*_search_algorithm

  2. http://theory.stanford.edu/~amitp/GameProgramming/AStarComparison.html

關於奇舞週刊

《奇舞週刊》是360公司專業前端團隊「奇舞團」運營的前端技術社群。關注公眾號後,直接傳送連結到後臺即可給我們投稿。

A*搜尋演算法概述

相關文章