---

一、A星算法简介

A*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，也是解决许多搜索问题的有效算法。算法中的距离估算值与实际值越接近，最终搜索速度越快。

---

二、A星算法思想

A星（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。注意——是最有效的直接搜索算法，之后涌现了很多预处理算法（如CH），在线查询效率是A*算法的数千甚至上万倍。

A*算法通过下面这个函数来计算每个节点的优先级，$f(n)$ 越小，状态 $n$ 被选择的优先级就越大：

公式表示为： $f(n)=g(n)+h^{\prime }(n)$,

• $f(n)$ 是从初始状态经由状态 $n$ 到目标状态的最小代价估计，
• $g(n)$ 是在状态空间中从初始状态到状态 $n$ 的最小代价，
• $h^{\prime }(n)$ 是从状态 $n$ 到目标状态的路径的最小估计代价。（对于路径搜索问题，状态就是图中的节点，代价就是距离）

假设 $h(n)$ 为状态 $n$ 到目标状态的路径的最小真实代价。

则保证找到最短路径（最优解的）条件，关键在于估价函数 $f(n)$ 的选取（或者说 $h^{\prime }(n)$ 的选取）。

以 $h^{\prime }(n)$ 表达状态 $n$ 到目标状态估计的距离，那么 $h^{\prime }(n)$ 的选取大致有如下三种情况：

• 如果 $h^{\prime }(n)<h(n)$ ，这种情况下，搜索的点数多，搜索范围大，效率低。但能得到最优解。
• 如果 $h^{\prime }(n)=h(n)$ ，此时的搜索效率是最高的。
• 如果 $h^{\prime }(n)>h(n)$ ，搜索的点数少，搜索范围小，效率高，但不能保证得到最优解。

---

三、A星算法 java代码

@Data
public class AStar {// 0是路 1是墙 2是起点 3是终点private int[][] map;// 起点坐标int startI;int startJ;// 终点坐标int endI;int endJ;public AStar(int[][] map) {this.map = map;// 获取起点和终点坐标for (int i = 0; i < map.length; i++) {for (int j = 0; j < map[i].length; j++) {if(map[i][j]==2){startI = i;startJ = j;}if(map[i][j]==3){endI = i;endJ = j;}}}}public void solve(){boolean[][] active = new boolean[map.length][map[0].length];PriorityBlockingQueue<Node> priorityBlockingQueue = new PriorityBlockingQueue<>();// 从起点出发ArrayList<int[]> initPath = new ArrayList<>();initPath.add(new int[]{startI,startJ});priorityBlockingQueue.add(new Node(startI,startJ,initPath,caculateDistance(startI,startJ)));active[startJ][startJ] = true;// 开始循环while (!priorityBlockingQueue.isEmpty()){Node node = priorityBlockingQueue.poll();if(node.getI()==endI && node.getJ()==endJ){for (int[] p : node.getPath()) {System.out.println(Arrays.toString(p));}System.out.println("最短路长度为："+node.getPath().size());break;}// 向四周进行扩充// 上int i1 = node.getI()-1;int j1 = node.getJ();if(isAble(i1,j1,active)){ArrayList<int[]> path = new ArrayList<>(node.getPath());path.add(new int[]{i1,j1});priorityBlockingQueue.add(new Node(i1,j1,path,caculateDistance(i1,j1)));active[i1][j1] = true;}// 下int i2 = node.getI()+1;int j2 = node.getJ();if(isAble(i2,j2,active)){ArrayList<int[]> path = new ArrayList<>(node.getPath());path.add(new int[]{i2,j2});priorityBlockingQueue.add(new Node(i2,j2,path,caculateDistance(i2,j2)));active[i2][j2] = true;}// 左int i3 = node.getI();int j3 = node.getJ()-1;if(isAble(i3,j3,active)){ArrayList<int[]> path = new ArrayList<>(node.getPath());path.add(new int[]{i3,j3});priorityBlockingQueue.add(new Node(i3,j3,path,caculateDistance(i3,j3)));active[i3][j3] = true;}// 右int i4 = node.getI();int j4 = node.getJ()+1;if(isAble(i4,j4,active)){ArrayList<int[]> path = new ArrayList<>(node.getPath());path.add(new int[]{i4,j4});priorityBlockingQueue.add(new Node(i4,j4,path,caculateDistance(i4,j4)));active[i4][j4] = true;}}}// 判断坐标是否可行private boolean isAble(int i,int j,boolean[][] active){if(i<0 || i>=map.length){return false;}if(j<0 || j>= map[0].length){return false;}if(map[i][j]==1 || active[i][j]){return false;}return true;}// 计算距离终点的曼哈顿private int caculateDistance(int i,int j){return Math.abs(i-endI)+Math.abs(j-endJ);}@Data@NoArgsConstructor@AllArgsConstructorclass Node implements Comparable<Node>{int i;int j;List<int[]> path;// 距离终点的曼哈顿距离int lenToEnd;@Overridepublic int compareTo(Node o) {return Integer.compare(lenToEnd+path.size(),o.lenToEnd+o.path.size());}@Overridepublic String toString() {return "Node{" +"i=" + i +", j=" + j +", lenToEnd=" + lenToEnd +'}';}}
}

---

四、测试

public class Test {public static void main(String[] args) {long start = System.currentTimeMillis();int[][] map = new int[][]{{1, 1, 1, 1, 0, 0, 0, 0, 1, 1, 1, 0, 0, 1, 1, 1, 1, 0, 0, 0},{0, 0, 0, 0, 2, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 1, 0},{0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 1, 1, 1, 0, 1, 0},{0, 0, 1, 0, 0, 1, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0},{0, 1, 1, 1, 0, 1, 0, 0, 1, 1, 1, 0, 0, 1, 0, 0, 0, 0, 1, 0},{0, 0, 0, 1, 0, 1, 0, 0, 0, 1, 0, 0, 0, 1, 0, 0, 0, 0, 1, 0},{0, 0, 0, 1, 0, 1, 0, 0, 0, 1, 0, 0, 0, 1, 0, 0, 0, 0, 1, 0},{0, 0, 0, 0, 0, 1, 0, 0, 0, 1, 0, 0, 0, 1, 0, 1, 1, 1, 1, 0},{0, 1, 1, 1, 1, 1, 0, 0, 0, 1, 0, 0, 0, 1, 0, 0, 0, 0, 1, 0},{0, 0, 1, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 1, 0, 0, 0, 0, 1, 0},{0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 1, 0},{0, 0, 1, 0, 1, 1, 1, 1, 1, 1, 1, 1, 0, 1, 0, 1, 1, 0, 1, 0},{0, 0, 1, 0, 1, 0, 0, 0, 1, 0, 0, 0, 0, 1, 0, 1, 0, 0, 0, 0},{0, 0, 1, 0, 1, 0, 0, 0, 1, 0, 0, 0, 1, 1, 0, 1, 0, 0, 0, 0},{0, 0, 1, 0, 1, 0, 0, 0, 1, 0, 0, 0, 1, 0, 0, 1, 0, 0, 0, 0},{0, 0, 1, 0, 1, 0, 0, 0, 1, 0, 0, 0, 1, 0, 0, 1, 0, 1, 1, 1},{0, 0, 1, 0, 1, 0, 0, 0, 1, 0, 0, 0, 1, 0, 0, 1, 0, 0, 0, 1},{0, 0, 1, 0, 1, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 1, 1, 1, 0, 1},{0, 0, 1, 0, 1, 0, 0, 1, 1, 1, 1, 1, 1, 1, 0, 0, 0, 0, 0, 1},{0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 3, 0, 0, 0, 0, 0, 0, 0},};new AStar(map).solve();System.out.println("用时："+(System.currentTimeMillis()-start)+"ms");}
}

控制台输出：

[1, 4]
[1, 5]
[1, 6]
[1, 7]
[1, 8]
[1, 9]
[2, 9]
[2, 10]
[2, 11]
[3, 11]
[4, 11]
[5, 11]
[6, 11]
[7, 11]
[8, 11]
[9, 11]
[10, 11]
[10, 12]
[11, 12]
[12, 12]
[12, 11]
[13, 11]
[14, 11]
[15, 11]
[16, 11]
[17, 11]
[17, 12]
[17, 13]
[17, 14]
[18, 14]
[19, 14]
[19, 13]
[19, 12]
最短路长度为：33
用时：6ms

上面输出的例如：
[1, 4]
[1, 5]
[1, 6]
的文字代表最短路径（从上往下看）：
即从（1，4）点走到（1，5）点，再从（1，5）点走到（1，6）点