Cocos2d-x 地图行走的实现3：A*算法

　　本文乃Siliphen原创，转载请注明出处：http://blog.****.net/stevenkylelee

　　上一节《Cocos2d-x
地图行走的实现2：SPFA算法》：

　　http://blog.****.net/stevenkylelee/article/details/38440663

　　假设读者忘记了之前我们的Dijkstra的实现。请顺藤摸瓜翻到第一节文章回想一下。为什么要这样做呢？由于本节要讲的A*算法事实上是Dijkstra的一种改进，仅仅有理解了Dijkstra才干更好地理解A*。

　　本节。我们先改动一下之前的Dijkstra的实现，让它变得更像A*的结构。然后。我们再把Dijkstra改成A*。

1.回想和改动一下之前的Dijkstra的实现

　　回想一下之前Dijkstra的实现。Dijkstra须要从一个表Ｑ中选出一个路径代价最小的顶点。

之前我们的实现是。一開始就把全部的顶点都放入这个表Ｑ中。

细致想下就会发现，那些被初始化为路径代价最大值0x0FFFFFFF的顶点是不可能会被选中的，对于这些顶点不须要遍历。从表中取出的路径代价最小的顶点。取出一个就表示从起点找到了到这个顶点的最短路径，这些顶点不须要再放回列表中。

　　我们能够对Dijkstra做这样一个小小的优化。尽管还是Ｏ（Ｎ＾２）。时间复杂度没有改变：

　　　　一開始仅仅把起始顶点放入表中。

　　　　假设松弛成功。就把边终点指向的顶点放入表中。

　　这样做的话，Relax就要返回结果了。

　　

　　实现代码例如以下：

void Dijkstra::Execute( const Graph& Graph , const string& VetexId  )
{
	m_Ret.PathTree.clear( ) ;

	const auto& Vertexes = Graph.GetVertexes( ) ;
	Vertex* pVertexStart = Vertexes.find( VetexId )->second ;
	vector< Vertex* > Q ; 

	// 初始化顶点
	for ( auto& it : Vertexes )
	{
		it.second->PathfindingData.Cost = 0x0FFFFFFF ;
		pVertexStart->PathfindingData.pParent = 0 ;
	}
	// 初始化起始顶点
	pVertexStart->PathfindingData.Cost = 0 ;
	pVertexStart->PathfindingData.pParent = 0 ;
	// 把起始顶点放入列表中
	Q.push_back( pVertexStart ) ;
	pVertexStart->PathfindingData.Flag = true ; 

	for ( ; Q.size() > 0 ; )
	{
		// 选出最小路径预计的顶点
		auto v = ExtractMin( Q ) ;
		v->PathfindingData.Flag = false ; 

		// 对全部的出边进行“松弛”
		const auto& EO = v->GetEdgesOut( ) ;
		for (  auto& it : EO )
		{
			Edge* pEdge = it.second ;
			Vertex* pVEnd = pEdge->GetEndVertex( ) ;

			bool bRet = Relax( v , pVEnd , pEdge->GetWeight( ) ) ;
			// 假设松弛成功，增加列表中。
			if ( bRet && pVEnd->PathfindingData.Flag == false )
			{
				Q.push_back( pVEnd ) ;
				pVEnd->PathfindingData.Flag = true ;
			}
		}
		// end for
	}
	// end for

}

　　Dijkstra要比BFS聪明，BFS仅仅是“盲目地”从队列中取出元素出来扩展，Dijkstra则知道每次应该选取路径代价最短的节点扩展。

2.A*算法

　　Dijkstra比BFS聪明，A*则比Dijkstra更聪明，执行更快。A*通过一个叫“启示式函数”的东东来改进扩展规则。它会尽量避免扩展其它没用的顶点。它的目标就是朝着目的地直奔而去的。这样说，好像A*长了眼睛一样能看到当前位置距离目标点还有多远。A*和上面的Dijkstra最大的差别就是有“眼睛”：启示式函数。



　　启示式函数会告诉A*应该优先扩展哪个顶点。启示式函数是怎么回事呢？公式表示是：F = G + H。

简单地说。就是：当前顶点的路径代价（G） + 当前顶点距离目标顶点预计花费的代价（F）



　　之前对Dijkstra做改动优化。就是为了让它更加像A*算法。这里。把Dijkstra的启示式数据从选拥有最小路径代价的顶点改成选拥有最小的F（启示式函数的值）的顶点就变成了A*。估价函数H怎么设计呢？这里取顶点到目标顶点的距离就可以。



　　我们须要对上面的Dijkstra和数据结构做例如以下改造：

　　1.顶点类的寻路数据结构体添加一个Heuristic字段。该字段用于A*算法，保存启示式函数计算出来的值。例如以下所看到的：

class Vertex
{
	// ... 省略了一些无关函数和字段
	// 和曾经一样

public : 

	// 寻路算法须要的数据
	struct Pathfinding
	{
		// 顶点的前驱顶点。
		Vertex * pParent ;

		// 路径代价预计
		int Cost ; 

		// 标识符
		int Flag ;

		// 启示式函数的计算出来的值
		int Heuristic ; 

		Pathfinding( )
		{
			pParent = 0 ;
			Cost = 0 ;
			Flag = 0 ;
			Heuristic = 0 ;
		}
	}
	PathfindingData ;
}

　　2.Dijkstra的Relax松弛函数，改成限制启示式函数F的值。假设计算出来的F值小于这个顶点原先的F值，就更新该顶点的父节点、实际路径代价、F值。



　　3.每次循环都推断下，找出来的最小F值的顶点是不是目标顶点。假设是目标顶点，说明找到了路径。算法结束。



　　用在这里的A*伪代码例如以下：

AStar( 图G。起始顶点S。目标顶点T）
{
	把起点S放入Open表中

	while( Open表不为空）
	{
		从Open表中取出估价值F最小的顶点v
		标记v不在Open表中

		if( v 等于 目标顶点T）
		{
			// 找到了路径
			retrun ;
		}

		foreach( v的全部出边的终点顶点vEnd )
		{
			Relax( v , vEnd , 边的权值 ）
			if( Relax松弛成功 且 顶点vEnd不在Open表中 )
			{
				把vEnd放入Open表中 ;
				标记vEnd在Open表中 ;
			}
		}
	}

}

bool Relax( 顶点from , 顶点to , 边上的权值 )
{
	// A*启示式函数计算 F = G + H
	G = 顶点from的路径代价 + 边上的权值 ;
	H = 顶点to到目标顶点T的预计代价 ;
	F = G + H ;

	if( F < 顶点to的F估价值）
	{
		记录to的父路径为from ;
		顶点to的路径代价值更新为G ;
		顶点to的启示式估价值F更新为F ; 

		return true ;
	}

	return false ;
}

　　能够看到。A*和我们改造的Dijkstra算法。是非常像的。假设我们让 A* 的启示式函数 F=G+H 的 H 一直返回 0。那就是一个 Dijkstra 。道理非常easy， H = 0 ，那就是 F = G + 0 ，F 直接等于 G 了，选拥有最小启示式函数值F的顶点就变成了选拥有最小路径代价的顶点，可见失去估价函数H的 A* 就和 Dijkstra 是一样的。所以，在选顶点方面，优化Dijkstra的方案也是优化A*的方案。

　　Dijkstra 基于实际的路径代价进行扩展，一定能找到最优解。A*则是基于某种预计。假设你让估价函数H预计得太离谱，A* 就不一定能找到最优解了。

估价值 <= 实际值A*才干找到最优解。

　　以下是我实现的A*算法。



　　AStar.h

#pragma once

#include "GraphPathfinding.h"
#include <functional>

class AStar : public GraphPathfinding
{
public:
	AStar( );
	~AStar( );

public : 

	// 预计顶点到目标顶点的代价
	std::function<int( const Vertex* pVCurrent , const Vertex* pVTarget ) > Estimate ; 

public:

	virtual void Execute( const Graph& Graph , const string& VetexId ) override ; 

private : 

	// 抽出最小路径估值的顶点
	inline Vertex* ExtractMin( vector< Vertex* >& Q ) ;

	// 松弛
	inline bool Relax( Vertex* v1 , Vertex* v2 , int Weight ) ;

public:

	void SetTarget( Vertex* pVTarget ) { m_pVTarget = pVTarget ; }

private: 

	Vertex* m_pVTarget ;

};

　　AStar.cpp

#include "AStar.h"

AStar::AStar( )
{
}

AStar::~AStar( )
{
}

void AStar::Execute( const Graph& Graph , const string& VetexId )
{
	const auto& Vertexes = Graph.GetVertexes( ) ;
	Vertex* pVertexStart = Vertexes.find( VetexId )->second ;
	vector< Vertex* > Q ;

	// 初始化顶点
	for ( auto& it : Vertexes )
	{
		Vertex* pV = it.second ; 

		pV->PathfindingData.Cost = 0 ;
		pV->PathfindingData.pParent = 0 ;
		pV->PathfindingData.Heuristic = 0x0FFFFFFF ;
		pV->PathfindingData.Flag = false ;
	}
	// 初始化起始顶点
	pVertexStart->PathfindingData.pParent = 0 ;
	pVertexStart->PathfindingData.Cost = 0 ;
	pVertexStart->PathfindingData.Heuristic = Estimate( pVertexStart , m_pVTarget ) ;
	// 把起始顶点放入列表中
	Q.push_back( pVertexStart ) ;
	pVertexStart->PathfindingData.Flag = true ;

	for ( ; Q.size( ) > 0 ; )
	{
		// 选出最小路径预计的顶点
		auto v = ExtractMin( Q ) ;
		v->PathfindingData.Flag = false ;
		if ( v == m_pVTarget )
		{
			return ;
		}

		// 对全部的出边进行“松弛”
		const auto& EO = v->GetEdgesOut( ) ;
		for ( auto& it : EO )
		{
			Edge* pEdge = it.second ;
			Vertex* pVEnd = pEdge->GetEndVertex( ) ;

			bool bRet = Relax( v , pVEnd , pEdge->GetWeight( ) ) ;
			// 假设松弛成功，增加列表中。
			if ( bRet && pVEnd->PathfindingData.Flag == false )
			{
				Q.push_back( pVEnd ) ;
				pVEnd->PathfindingData.Flag = true ;

			}
		}
		// end for
	}
	// end for

}

Vertex* AStar::ExtractMin( vector< Vertex* >& Q )
{
	Vertex* Ret = 0 ;

	Ret = Q[ 0 ] ;
	int pos = 0 ;
	for ( int i = 1 , size = Q.size( ) ; i < size ; ++i )
	{
		if ( Ret->PathfindingData.Heuristic > Q[ i ]->PathfindingData.Heuristic )
		{
			Ret = Q[ i ] ;
			pos = i ;
		}
	}

	Q.erase( Q.begin( ) + pos ) ;

	return Ret ;
}

bool AStar::Relax( Vertex* v1 , Vertex* v2 , int Weight )
{
	// 这里就是启示式函数
	int G = v1->PathfindingData.Cost + Weight ;	// 取得从V1到V2的实际路径代价
	int H = Estimate( v2 , m_pVTarget ) ;	// 预计V2到目标节点的路径代价
	int nHeuristic = G + H ;	// 实际 + 估算 = 启示式函数的值

	// 假设从此路径达到目标会被之前计算的更短。就更新
	if ( nHeuristic < v2->PathfindingData.Heuristic )
	{
		v2->PathfindingData.Cost = G ;
		v2->PathfindingData.pParent = v1 ;

		v2->PathfindingData.Heuristic = nHeuristic ;

		return true ;
	}

	return false ;
}

　　Ｈ函数（预计当前顶点到目标顶点的代价）”外包“到外部运行了。由于AStart类是不知道MapWalkVertex顶点类的存在的。为什么要”外包“运行，而不是在AStar类中做呢？假设要在AStar类中做。就须要知道每一个顶点的几何位置。而顶点的几何位置是Cocos2D-x的Node类的属性。AStar类不应该和其它东西耦合。为了”独立“，”通用“，计算Ｈ就用观察者模式思想，”外包“运行了。

　　AStar类的使用，例如以下：

			// A*的Ｈ估价函数
			auto Estimate = [ ]( const Vertex* pVCurrent , const Vertex* pVTarget )->int
			{
				MapWalkVertex * pMwv1 = ( MapWalkVertex* )pVCurrent->UserData.find( "mwv" )->second ;
				MapWalkVertex * pMwv2 = ( MapWalkVertex* )pVTarget->UserData.find( "mwv" )->second ;
				Point v = pMwv1->getPosition( ) - pMwv2->getPosition( ) ;
				int H = v.getLength( ) ;
				return H ; 

			} ; 

			AStar AStar ;
			// 设置目的顶点
			AStar.SetTarget( pVertexTarget ) ;
			// 设置Ｈ估价函数
			AStar.Estimate = Estimate ;
			// 開始运行
			AStar.Execute( *m_pGraph , pMwvStart->GetGraphVertex( )->GetId( ) ) ; 

　　OK ,A* 完毕了。測试执行一下：

　　经过測试。我们的Ａ*能找到最短路径。而且运行速度比Dijkstra和Spfa都快。

4.简要总结Djikstra。SPFA。A*算法

　　Dijsktra : 选出一个具有最小路径代价的顶点，松弛其全部的边。

　　SPFA : 用一个队列存放顶点。从队列中取出队头顶点，松弛其全部边，假设松弛成功，边上顶点入队。

　　A* : 是Djikstra的改进版。选出具有启示式函数值最小的顶点，松弛其全部的边。

4.本文源码project下载：

　　http://download.****.net/detail/stevenkylelee/7734787