A*算法实现

题目:

在象棋中,马和象的移动规则分别是“马走日”和“象走田”。现给定骑士的起始坐标和目标坐标,要求根据骑士的移动规则,计算从起点到达目标点所需的最短步数。

骑士移动规则如图,红色是起始位置,黄色是骑士可以走的地方。
在这里插入图片描述

棋盘大小 1000 x 1000(棋盘的 x 和 y 坐标均在 [1, 1000] 区间内,包含边界)

输入描述

第一行包含一个整数 n,表示测试用例的数量。

接下来的 n 行,每行包含四个整数 a1, a2, b1, b2,分别表示骑士的起始位置 (a1, a2) 和目标位置 (b1, b2)。

输出描述

输出共 n 行,每行输出一个整数,表示骑士从起点到目标点的最短路径长度。

输入示例

6
5 2 5 4
1 1 2 2
1 1 8 8
1 1 8 7
2 1 3 3
4 6 4 6

输出示例

2
4
6
5
1
0

思路:

  • 创建移动二维数组
  • 设计小顶堆,并在优先队列中利用小顶堆将f值最小的节点排到堆顶
  • 计算启发式函数h
  • 代价函数f = 实际距离g + 启发距离h。每次从优先队列中选择f值最小的节点进行扩展。
  • 遍历邻接节点并计算f值,将将邻接节点加入到优先队列中

代码:

#include<iostream>
#include<queue>
#include<string.h>

using namespace std;

int moves[1001][1001];  //  记录从起点到达目标点所需步数
int dirs[8][2] = {{-1, 2}, {1, 2}, {-2, 1}, {2, 1}, {-2, -1}, {-1, -2}, {1, -2}, {2, -1}};   //  马走日

int b1, b2;

class Point{
public:
    int x, y;
    int g, h, f;
};

//  小顶堆,将f值最小的元素排到堆顶
class MyComparison{
public:
    bool operator()(const Point& a, const Point& b){
        return a.f > b.f;
    }
};

//  优先队列
priority_queue<Point, vector<Point>, MyComparison> que;

//  计算启发距离h
int distance(const Point& cur){
    return (cur.x - b1) * (cur.x - b1) + (cur.y - b2) * (cur.y - b2);
}

//  A*算法实现
void aStar(const Point& start){
    Point curNode, nextNode;
    que.push(start);
    
    while(!que.empty()){
        curNode = que.top(); que.pop();
        if(curNode.x == b1 && curNode.y == b2) break;   //  到达终点,返回
        
        //  遍历临近节点
        for(const auto& dir : dirs){
            nextNode.x = curNode.x + dir[0];
            nextNode.y = curNode.y + dir[1];
            
            if(nextNode.x < 1 || nextNode.x > 1000 || nextNode.y < 1 || nextNode.y > 1000) continue;
            
            if(!moves[nextNode.x][nextNode.y]){ //  如果没扩展过,moves为0,所以不用visited标记了
                moves[nextNode.x][nextNode.y] = moves[curNode.x][curNode.y] + 1;
                
                //  开始计算f
                nextNode.g = curNode.g + 5;  //  统一不开根号,马走日,1 * 1 + 2 * 2 = 5
                nextNode.h = distance(nextNode);
                nextNode.f = nextNode.g + nextNode.h;
                que.push(nextNode);
            }
        }
    }
}

int main(){
    
    int n, a1, a2;
    cin >> n;
        
    while(n--){
        cin >> a1 >> a2 >> b1 >> b2;
        memset(moves, 0, sizeof(moves));    //  初始化为0
        Point start;
        start.x = a1;
        start.y = a2;
        start.g = 0;
        start.h = distance(start);
        start.f = start.g + start.h;
        aStar(start);
        while(!que.empty()) que.pop();    //  队列清空,防止影响下一组数据
        cout << moves[b1][b2] << endl;
    }
    
    return 0;
}

总结:

A * 算法的时间复杂度 其实是不好去量化的,因为他取决于 启发式函数怎么写。

最坏情况下,A * 退化成广搜BFS,算法的时间复杂度 是 O(n^2),n 为节点数量。

最佳情况,是从起点直接到终点,时间复杂度为 O(dlogd),d 为起点到终点的深度。

因为在搜索的过程中也需要堆排序,所以是 O(dlogd)。

实际上 A * 的时间复杂度是介于 最优 和最坏 情况之间, 可以 非常粗略的认为 A * 算法的时间复杂度是 O(nlogn) ,n 为节点数量。

A * 算法的空间复杂度 O(b ^ d) ,d 为起点到终点的深度,b 是 图中节点间的连接数量,本题因为是无权网格图,所以 节点间连接数量为 4。

A * 算法并不能保证一定是最短路,因为在设计 启发式函数的时候,要考虑 时间效率与准确度之间的一个权衡。

A * 的缺点

大家看上述 A * 代码的时候,可以看到 我们想 队列里添加了很多节点,但真正从队列里取出来的 仅仅是 靠启发式函数判断 距离终点最近的节点。

相对了 普通BFS,A * 算法只从 队列里取出 距离终点最近的节点。

那么问题来了,A * 在一次路径搜索中,大量不需要访问的节点都在队列里,会造成空间的过度消耗。

IDA * 算法 对这一空间增长问题进行了优化,关于 IDA * 算法,感兴趣的可以自行找资料学习。

另外还有一种场景 是 A * 解决不了的。

如果题目中,给出 多个可能的目标,然后在这多个目标中 选择最近的目标,这种 A * 就不擅长了, A * 只擅长给出明确的目标 然后找到最短路径。

如果是多个目标找最近目标(特别是潜在目标数量很多的时候),可以考虑 Dijkstra ,BFS 或者 Floyd。


参考:

代码随想录

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值