A*搜寻算法，俗称A星算法，作为启发式搜索算法中的一种，这是一种在图形平面上，有多个节点的路径，求出最低通过成本的算法。常用于游戏中的NPC的移动计算，或线上游戏的BOT的移动计算上。该算法像Dijkstra算法一样，可以找到一条最短路径；也像BFS一样，进行启发式的搜索。
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)<=h*(n)是需要精心设计的，由于h*(n)显然是无法知道的，所以，一个满足条件4的启发策略h(n)就来的难能可贵了。
不过，对于图的最优路径搜索和八数码问题，有些相关策略h(n)不仅很好理解，而且已经在理论上证明是满足条件4的，从而为这个算法的推广起到了决定性的作用。
且h(n)距离h*(n)的呈度不能过大，否则h(n)就没有过强的区分能力，算法效率并不会很高。对一个好的h(n)的评价是：h(n)在h*(n)的下界之下，并且尽量接近h*(n)。
、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、
这篇blog是由iOS Tutorial Team的成员 Johann Fradj发表的，他目前是一位全职的资深iOS开发工程师。他是Hot Apps Factory的创始人，该公司开发了App Cooker。
学习A星寻路算法是如何工作的！
你是否在做一款游戏的时候想创造一些怪兽或者游戏主角，让它们移动到特定的位置，避开墙壁和障碍物呢？
如果是的话，请看这篇教程，我们会展示如何使用A星寻路算法来实现它！
在网上已经有很多篇关于A星寻路算法的文章，但是大部分都是提供给已经了解基本原理的高级开发者的。
本篇教程将从最基本的原理讲起。我们会一步步讲解A星寻路算法，幷配有很多图解和例子。
不管你使用的是什么编程语言或者操作平台，你会发现本篇教程很有帮助，因为它在非编程语言的层面上解释了算法的原理。稍后，会有一篇教程，展示如何在Cocos2D iPhone 游戏中实现A星算法。
现在找下到达一杯咖啡因饮料和美味的零食的最短路径，开始吧！:]
让我们想象一下，有一款游戏，游戏中一只猫想要找到获取骨头的路线。
“为什么会有一只猫想要骨头？！”你可能会这么想。在本游戏中， 这是一只狡猾的猫，他想捡起骨头给狗，以防止被咬死！:]
现在想像一下下图中的猫想找到到达骨头的最短路径：
不幸的是，猫不能直接从它当前的位置走到骨头的位置，因为有面墙挡住了去路，而且它在游戏中不是一只幽灵猫！
游戏中的猫同样懒惰，它总是想找到最短路径，这样当他回家看望它的女朋友时不会太累:-)
但是我们如何编写一个算法计算出猫要选择的那条路径呢？A星算法拯救了我们！
寻路的第一步是简化成容易控制的搜索区域。
怎么处理要根据游戏来决定了。例如，我们可以将搜索区域划分成像素点，但是这样的划分粒度对于我们这款基于方块的游戏来说太高了（没必要）。
作为代替，我们使用方块（一个正方形）作为寻路算法的单元。其他的形状类型也是可能的（比如三角形或者六边形），但是正方形是最简单并且最适合我们需求的。
像那样去划分，我们的搜索区域可以简单的用一个地图大小的二维数组去表示。所以如果是25*25方块大小的地图，我们的搜索区域将会是一个有625个正方形的数组。如果我们把地图划分成像素点，搜索区域就是一个有640，000个正方形的数组了（一个方块是32*32像素）！
现在让我们基于目前的区域，把区域划分成多个方块来代表搜索空间（在这个简单的例子中，7*6个方块 = 42 个方块）：
既然我们创建了一个简单的搜索区域，我们来讨论下A星算法的工作原理吧。
除了懒惰之外，我们的猫没有好的记忆力，所以它需要两个列表：
猫首先在closed列表中添加当前位置（我们把这个开始点称为点 “A”）。然后，把所有与它当前位置相邻的可通行小方块添加到open列表中。
下图是猫在某一位置时的情景（绿色代表open列表）:
现在猫需要判断在这些选项中，哪项才是最短路径，但是它要如何去选择呢？
在A星寻路算法中，通过给每一个方块一个和值，该值被称为路径增量。让我们看下它的工作原理！
我们将会给每个方块一个G+H 和值：
你也许会对“移动量”感兴趣。在游戏中，这个概念很简单 – 仅仅是方块的数量。
然而，在游戏中你可以对这个值做调整。例如：
这就是大概的意思 – 现在让我们详细分析下如何计算出G和H值。
G是从开始点A到达当前方块的移动量（在本游戏中是指方块的数目）。
为了计算出G的值，我们需要从它的前继（上一个方块）获取，然后加1。所以，每个方块的G值代表了从点A到该方块所形成路径的总移动量。
例如，下图展示了两条到达不同骨头的路径，每个方块都标有它的G值：
H值是从当前方块到终点的移动量估算值（在本游戏中是指方块的数目）。
移动量估算值离真实值越接近，最终的路径会更加精确。如果估算值停止作用，很可能生成出来的路径不会是最短的（但是它可能是接近的）。这个题目相对复杂，所以我们不会再本教程中讲解，但是我在教程的末尾提供了一个网络链接，对它做了很好的解释。
为了让它更简单，我们将使用“曼哈顿距离方法”（也叫“曼哈顿长”或者“城市街区距离”），它只是计算出距离点B，剩下的水平和垂直的方块数量，略去了障碍物或者不同陆地类型的数量。
例如，下图展示了使用“城市街区距离”，从不同的开始点到终点，去估算H的值（黑色字）：
既然你知道如何计算每个方块的和值（我们将它称为F，等于G+H), 我们来看下A星算法的原理。
猫会重复以下步骤来找到最短路径：
如果你对它的工作原理还有点疑惑，不用担心 – 我们会用例子一步步介绍它的原理！:]
让我们看下我们的懒猫到达骨头的行程例子。
在下图中，我根据以下内容，列出了公式F = G + H 中的每项值：
同时，箭头指示了到达相应方块的移动方向。
最后，在每一步中，红色方块表示closed列表，绿色方块表示open列表。
好的，我们开始吧！
第一步
第一步，猫会确定相对于开始位置（点A）的相邻方块，计算出他们的F和值，然后把他们添加到open列表中：
你会看到每个方块都列出了H值（有两个是6，一个是4）。我建议根据“城市街区距离”去计算方块的相关值，确保你理解了它的原理。
同时注意F值（在左上角）是G（左下角）值和H（右下脚）值的和。
第二步
在第二步中，猫选择了F和值最小的方块，把它添加到closed列表中，然后检索它的相邻方块的相关数值。
现在你将看到拥有最小增量的是F值为4的方块。猫尝试添加所有相邻的方块到open列表中（然后计算他们的和值），除了猫自身的方块不能添加以外（因为它已经被添加到了closed列表中）或者它是墙壁方块（因为它不能通行）。
注意被添加到open列表的两个新方块，他们的G值都增加了1，因为他们现在离开始点有2个方块远了。你也许需要再计算下“城市街区距离”以确保你理解了每个新方块的H值。
第三步
再次，我们选择了有最小F和值（5）的方块，继续重复之前的步骤：
现在，只有一个可能的方块被添加到open列表中了，因为已经有一个相邻的方块在close列表中，其他两个是墙壁方块。
第四步
现在我们遇到了一个有趣的情况。正如你之前看到的，有4个方块的F和值都为7 – 我们要怎么做呢？！
有几种解决方法可以使用，但是最简单（快速）的方法是一直跟着最近被添加到open列表中的方块。现在继续沿着最近被添加的方块前进。
这次有两个可通过的相邻方块了，我们还是像之前那样计算他们的和值。
第五步
接着我们选择了最小和值（7）的方块，继续重复之前的步骤：
我们越来越接近终点了！
第六步
你现在训练有素了！我打赌你能够猜出下一步是下面这样子了：
我们差不多到终点了，但是这次你看到有两条到达骨头的最短路径提供给我们选择：
在我们的例子中，有两条最短路径：
It doesn’t really matter which of these we choose, it comes down to the actual implementation in code.
选择哪一条其实没关系，现在到了真正用代码实现的时候了。
第七步
让我们从其中一块方块，再重复一遍步骤吧：
啊哈，骨头在open列表中了！
第八步
现在目标方块在open列表中了，算法会把它添加到closed列表中：
然后，算法要做的所有事情就是返回，计算出最终的路径！
在上面的例子中，我们看到当猫在寻找最短路径时，它经常选择更好的方块（那个在它的未来最短路径上的方块）- 好像它是一只有远见的猫！
但是如果猫是盲目的，并且总是选择第一个添加到它的列表上的方块，会发生什么事情？
下图展示了所有在寻找过程中会被使用到的方块。你会看到猫在尝试更多的方块，但是它仍然找到了最短路径（不是之前的那条，而是另一条等价的）：
图中的红色方块不代表最短路径，它们只是代表在某个时候被选择为“S”的方块。
我建议你看着上面的图，并且尝试过一遍步骤。这次无论你看到哪个相邻的方块，都选择“最坏”的方式去走。你会发现最后还是找到了最短路径！
所以你可以看到跟随一个“错误的”方块是没有问题的，你仍然会在多次重复尝试后找到最短路径。
所以在我们的实现中，我们会按照以下的算法添加方块到open列表中：
下面是从原路返回的示意图：
最短的路径是从终点开始，一步步返回到起点构成的（例子：在终点我们可以看到箭头指向右边，所以该方块的前继在它的左边）。
原文：http://www.cnblogs.com/csxf/p/3820446.html