前言
在實際開發中我們會經常用到尋路演算法,例如MMOARPG遊戲魔獸中,裡面的人物行走為了模模擬實人物行走的體驗,會選擇最近路線達到目的地,期間會避開高山或者湖水,繞過箱子或者樹林,直到走到你所選定的目的地。這種人類理所當然的行為,在計算機中卻需要特殊的演算法去實現,常用的尋路演算法主要有寬度最優搜尋[1]、Dijkstra演算法、貪心演算法、A*搜尋演算法、B*搜尋演算法[2]、導航網格演算法、JPS演算法[3]等,學習這些演算法的過程就是不斷抽象人類尋路決策的過程。本文主要以一個簡單空間尋路為例,對A*演算法進行分析實現。
介紹
A*(A-Star)演算法是一種靜態路網中求解最短路徑最有效的直接搜尋方法,也是解決許多搜尋問題的常用啟發式演算法,演算法中的距離估算值與實際值越接近,最終搜尋速度越快。之後湧現了很多預處理演算法(如ALT,CH,HL等等),線上查詢效率是A*演算法的數千甚至上萬倍。
問題
在包含很多凸多邊形障礙的空間裡,解決從起始點到終點的機器人導航問題。
步驟
地圖預處理
題中尋路地圖包含在很多文字之中,且圖中還包含logo,這都直接影響了尋路演算法的使用,因此需要將圖片轉程式易處理的資料結構。預處理後地圖如下:
演算法思想
A*演算法為了在獲得最短路徑的前提下搜尋最少節點,通過不斷計算當前節點的附近節點F(N)
值來判斷下次探索的方向,每個節點的值計算方法為:F(N)=G(N)+H(N)
。
其中G(N)
是從起點到當前節點N的移動消耗(比如低消耗代表平地、高消耗代表沙漠);H(N)
代表當前節點到目標節點的預期距離,可以用使用曼哈頓距離、歐氏距離等。當節點間移動消耗G(N)
非常小時,G(N)
對F(N)
的影響也會微乎其微,A*演算法就退化為最好優先貪婪演算法;當節點間移動消耗G(N)
非常大以至於H(N)
對F(N)
的影響微乎其微時,A*演算法就退化為Dijkstra演算法。
演算法步驟
整個演算法流程為[4]:
- 設定兩個集合:open集、close集
- 將起始點加入open集,其F值為0(設定父親節點為空)
- 當open集合非空,則執行以下迴圈
3.1 在open集中移出一個F值最小的節點作為當前節點,並將其加入close集
3.2 如果當前節點為終點,則退出迴圈完成任務
3.3 處理當前節點的所有鄰居節點,對於每個節點進行以下操作:
- 如果該節點不可達或在close集中則忽略該節點
- 計算該節點的F(N)
值,並:如果該節點在open集中且F(N)
大於當前F(N)
,則選擇較小F(N)
替換;否則將該節點加入open集
- 將該節點的父節點設定為當前節點
- 將該節點加入open集 - 搜尋結束如果open集為空,則可能搜尋到一條路徑;如果open集非空,則必然搜尋到一條路徑,從終點不斷遍歷其父節點便是搜尋路徑。
程式碼實現
使用Python編寫A*演算法的核心程式碼為:
class AStar(object):
'''
@param {*} graph 地圖
@param {*} start 開始節點
@param {*} goal 終點
'''
def __init__(self, graph, start, goal):
self.start = start
self.goal = goal
self.graph = graph
# 優先佇列儲存open集
self.frontier = PriorityQueue()
# 初始化起點
self.frontier.put(start)
'''
@description: 繪出最終路徑
'''
def draw_path(self):
path = self.goal
matrix = self.graph.matrix
while path:
matrix[path.x][path.y] = 0
path = path.father
def run(self):
plt.ion()
n = 0
while not self.frontier.empty():
n = n + 1
current = self.frontier.get()
# 是否為終點
if current.equal(self.goal):
self.goal.father = current
self.draw_path()
return True
# 遍歷鄰居節點
for next in self.graph.neighbors(current):
# 計算移動消耗G
next.g = current.g + self.graph.cost(current, next)
# 計算曼哈頓距離H
next.manhattan(self.goal)
# 如果當前節點未在open集中
if not next.used:
next.used = True
# 將探索過的節點設為陰影,便於觀察
self.graph.matrix[next.x][next.y] = 99
# 將當前節點加入open集
self.frontier.put(next)
# 設定該節點的父節點為當前節點
next.father = current
# 沒100次更新一次影像
if n % 100 == 0:
plt.clf()
plt.imshow(self.graph.matrix)
plt.pause(0.01)
plt.show()
return False
尋路結果如下(其中黑實線是演算法得出的最優路徑,路徑旁邊的黑色地帶是探索過的節點):
思考
本例中影像共有406×220畫素,即有89320個畫素點,也就是狀態空間共有89320,可選線路最高有893202約為80億種,雖然經過了簡單的地圖優化處理,但直接使用A*演算法的效率還是很低。要想進一步提高搜尋效率,可以引出另外一條定理:給定平面上一個起始點s和一個目標點g,以及若干多邊形障礙物P1, P2, P3 ... Pk,由於兩點間直線最短,故在所有從s到g的路徑中,距離最短的路徑的拐點一定在多邊形頂點上。基於以上定理,我們可以人工將地圖中的多邊形頂點進行提取,再用A*演算法對提取的頂點進行計算,即可在獲得最短路徑的同時大大增加了演算法的效率。
完整程式碼
- 資料結構
from queue import PriorityQueue
import cv2
import math
import matplotlib.pyplot as plt
import fire
class Node(object):
def __init__(self, x=0, y=0, v=0, g=0, h=0):
self.x = x
self.y = y
self.v = v
self.g = g #g值
self.h = h #h值
self.used = False
self.father = None #父節點
'''
@description: 曼哈頓距離
@param {*} endNode 目標節點
'''
def manhattan(self, endNode):
self.h = (abs(endNode.x - self.x) + abs(endNode.y - self.y)) * 10
'''
@description: 尤拉距離
@param {*} self
@param {*} endNode
@return {*}
'''
def euclidean(self, endNode):
self.h = int(math.sqrt(abs(endNode.x - self.x)**2 + abs(endNode.y - self.y)**2)) * 30
'''
@description: 判斷other節點與當前節點是否相等
@param {*} other
'''
def equal(self, other):
if self.x == other.x and self.y == other.y:
return True
else:
return False
'''
@description: 函式過載,為了滿足PriorityQueue進行排序
@param {*} other
'''
def __lt__(self, other):
if self.h + self.g <= other.h + other.g:
return True
else:
return False
class Graph(object):
'''
@description: 類初始化
@param {*} matrix 地圖矩陣
@param {*} maxW 地圖寬
@param {*} maxH 地圖高
'''
def __init__(self, matrix, maxW, maxH):
self.matrix = matrix
self.maxW = maxW
self.maxH = maxH
self.nodes = []
# 普通二維矩陣轉一維座標矩陣
for i in range(maxH):
for j in range(maxW):
self.nodes.append(Node(i, j, self.matrix[i][j]))
'''
@description: 檢查座標是否合法
@param {*} x
@param {*} y
'''
def checkPosition(self, x, y):
return x > 0 and x < self.maxH and y > 0 and y < self.maxW and self.nodes[x * self.maxW + y].v > 200
'''
@description: 尋找當前節點的鄰居節點
@param {Node} node 當前節點
@return {*}
'''
def neighbors(self, node: Node):
ng = []
if self.checkPosition(node.x - 1, node.y):
ng.append(self.nodes[(node.x - 1) * self.maxW + node.y])
if self.checkPosition(node.x + 1, node.y):
ng.append(self.nodes[(node.x + 1) * self.maxW + node.y])
if self.checkPosition(node.x, node.y - 1):
ng.append(self.nodes[node.x * self.maxW + node.y - 1])
if self.checkPosition(node.x, node.y + 1):
ng.append(self.nodes[node.x * self.maxW + node.y + 1])
if self.checkPosition(node.x + 1, node.y + 1):
ng.append(self.nodes[(node.x + 1) * self.maxW + node.y + 1])
if self.checkPosition(node.x + 1, node.y - 1):
ng.append(self.nodes[(node.x + 1) * self.maxW + node.y - 1])
if self.checkPosition(node.x - 1, node.y + 1):
ng.append(self.nodes[(node.x - 1) * self.maxW + node.y + 1])
if self.checkPosition(node.x - 1, node.y - 1):
ng.append(self.nodes[(node.x - 1) * self.maxW + node.y - 1])
return ng
'''
@description: 畫出結果路徑
'''
def draw(self):
cv2.imshow('result', self.matrix)
cv2.waitKey(0)
cv2.destroyAllWindows()
'''
@description: 計算節點間移動消耗
@param {Node} current
@param {Node} next
@return {*}
'''
def cost(self, current: Node, next: Node):
return 11 if abs(current.x - next.x) + abs(current.y - next.y) > 1 else 10
class AStar(object):
'''
@param {*} graph 地圖\n
@param {*} start 開始節點
@param {*} goal 終點
'''
def __init__(self, graph, start, goal):
self.start = start
self.goal = goal
self.graph = graph
# 優先佇列儲存open集
self.frontier = PriorityQueue()
# 初始化起點
self.frontier.put(start)
'''
@description: 繪出最終路徑
'''
def draw_path(self):
path = self.goal
matrix = self.graph.matrix
while path:
matrix[path.x][path.y] = 0
path = path.father
def run(self):
plt.ion()
n = 0
while not self.frontier.empty():
n = n + 1
current = self.frontier.get()
# 是否為終點
if current.equal(self.goal):
self.goal.father = current
self.draw_path()
return True
# 遍歷鄰居節點
for next in self.graph.neighbors(current):
# 計算移動消耗G
next.g = current.g + self.graph.cost(current, next)
# 計算曼哈頓距離H
next.manhattan(self.goal)
# 如果當前節點未在open集中
if not next.used:
next.used = True
# 將探索過的節點設為陰影,便於觀察
self.graph.matrix[next.x][next.y] = 99
# 將當前節點加入open集
self.frontier.put(next)
# 設定該節點的父節點為當前節點
next.father = current
# 沒100次更新一次影像
if n % 100 == 0:
plt.clf()
plt.imshow(self.graph.matrix)
plt.pause(0.01)
plt.show()
return False
- 主程式
import cv2
from AStar import Node, AStar, Graph
src_path = "./map.png"
# 讀取圖片
img_grey = cv2.imread(src_path, cv2.IMREAD_GRAYSCALE)
# 去除水印
img_grey = cv2.threshold(img_grey, 200, 255, cv2.THRESH_BINARY)[1]
# 二值化
img_binary = cv2.threshold(img_grey, 128, 255, cv2.THRESH_BINARY)[1]
img_binary[:][0] = 0
img_binary[:][-1] = 0
img_binary[0][:] = 0
img_binary[-1][:] = 0
start = Node(180, 30)
goal = Node(20, 370)
maxH, maxW = img_binary.shape
graph = Graph(img_binary, maxW, maxH)
astar = AStar(graph, start, goal)
astar.run()
cv2.imshow('result', graph.matrix)
cv2.waitKey(0)
cv2.destroyAllWindows()
參考文獻
wier. 深入理解遊戲中尋路演算法. OSChina. [2017-07-25] ↩︎
雲加社群. 最快速的尋路演算法 Jump Point Search. InfoQ. [2020-11-29] ↩︎
Amit Patel. Introduction to the A* Algorithm. redblobgames.com. [2014-05-26] ↩︎