全网最全A*算法优化策略（JPS、HPA）
ps：本文仅提供部分代码，主要描述算法思路，想法和思考
1前言
A*算法（A-Star）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，是最常用的启发式算法。
避障碍寻路算法有很多，比如：BFS，DFS，Dijkstra等。
对于BFS，它的优点在于可以找到最优的一条路径，缺点是需要遍历整个地图。
对于DFS，它的优点在于不需要遍历整个地图，缺点在于不一定是最优路径。
对于Dijkstar，它的优点在于无差别的遍历当前最短路径，对于查找起始点到任意点的最短路径该算法很有效，缺点是：对于点对点的路径查找很浪费。
对于A*，它能很快的找到一条相对最优的路径，而且搜索的节点比前三个算法都要少。
如果DFS就像一个愣头青，一条路摸到黑的话，那么A*就是一个聪明的愣头青，它虽然也是一条路摸到黑，但是它每一步都会更加逼近终点，而不是像DFS每一步都是随机的。可以理解为A*吸收了DFS和BFS的优点，寻找到的路径优劣程度介于BFS和DFS之间。
我在公司做的一个项目，需要在1000*2000的矩阵中寻找多个最短路，故而不可能用BFS，而DFS找到的路径不可靠，所以A*是最好的选择。
2原理
1、假设有100个房间互相连通
2、每个房间有通向隔壁房间的门
3、但有些房间的门打不开
现在你在起点，知道终点在你的东北方向，你肯定不会南辕北辙向西南方向走。你每向东，向北，向东北方向走一步，你心里都知道你里终点更近了。
我把你心里的想法抽象成一个简单的公式：
F=G+H
G：你从起点到当前位置的实际步数
H：你预估从当前位置到终点还要走的步数
假设你在当前位置有4个其他的门可以打开，那么你会选择哪一个呢？如果是我，我会选择一个F最小优先策略，我计算一下如果我走进这四个门后，F会怎么变化，我选择F最小的一个房间走进去。这样的话，我就会离终点越来越近，最终抵达终点。
以上从起点到终点的过程，就是A*算法的简单抽象，当然A*比你想象的更加智能，相比于上面的步骤，它还会更新房间的F值，因为到一个房间可能有不同的路径，根据不同的路径走到这个房间，计算出这个房间的F值是不一样的，所以A*会选择最小的值更新该房间的F值。
3伪代码
主要搜索过程伪代码如下：
创建两个表，OPEN表保存所有已生成而未考察的节点，CLOSED表中记录已访问过的节点。
算起点的估价值;
将起点放入OPEN表;
while(OPEN!=NULL)
{
从OPEN表中取估价值f最小的节点n;
if(n节点==目标节点)
{
break;
}
for(当前节点n 的每个子节点X)
{
算X的估价值;
if(X in OPEN)
{
if( X的估价值小于OPEN表的估价值 )
{
把n设置为X的父亲;
更新OPEN表中的估价值; //取最小路径的估价值
}
}
if(X inCLOSE)
{
if( X的估价值小于CLOSE表的估价值 )
{
把n设置为X的父亲;
更新CLOSE表中的估价值;
把X节点放入OPEN //取最小路径的估价值
}
}
if(X not inboth)
{
把n设置为X的父亲;
求X的估价值;
并将X插入OPEN表中; //还没有排序
}
}//end for
将n节点插入CLOSE表中;
按照估价值将OPEN表中的节点排序; //实际上是比较OPEN表内节点f的大小，从最小路径的节点向下进行。
}//end while(OPEN!=NULL)
保存路径，即 从终点开始，每个节点沿着父节点移动直至起点，这就是你的路径ps：以下内容请您在深刻理解A*并使用过A*后阅读。
4优化A*
优化A*一般从以下四个方面着手
openlist（开放集合）
getNeighbour（获取当前节点的邻居节点）
F=G+H+C（启发式函数）
map（地图）
4.1openlist 优化
4.1.1、通过优化openlist提升A*的速度
对于经典A*算法，以下针对openlist的5个操作必不可少：
添加操作：将节点添加到openlist中
删除操作：将节点从openlist中删除
获取长度：获取openlist中节点的个数
判断是否存在：判断某个节点是否已经保存在openlist中
排序：对openlist根据每个节点F的值从小到大排序
如果我们能把这五个操作的时间复杂度都降下来，那么就可以提升A*的速度
优化策略：
使用优先队列
优先队列各操作的时间复杂度如下：
添加操作：O(logn)
删除操作：O(logn)
获取长度：O(1)
判断是否存在：O(1)
排序：O(logn)
优先队列（C#）链接
4.1.2、通过优化openlist改变A*的路径
请看下面的图片，假设只要求走直线，不能走斜线，从S到G有很多种走法，下图展示了其中的两种，这两种走法都是合理的，他们实际走的路径长度是相同的。
但是我们根据实际业务的不同，会想要不同的结果。这两种走势其实和openlist有一定的关系。其中涉及到openlist的排序问题。
优化策略：
如果openlist的排序是稳定的，第一次使用A*走出了路径1，那么下一次使用A*也会走出路径1。
如果openlist的排序不稳定，那么从S到G的路径，多次使用A*的结果是不一样的。可能第一次跑出来路径1，第二次就跑出来路径2
What is 稳定的排序？
当openlist的排序是稳定时，那么先后进入open队列的节点F1=10(向右走)，F2=10(向下走)，一定F1会先被取出来，这样每次使用A*获取到的路径也是稳定的。
当排序不稳定时，那么可能是F2被先取出来。
4.2getNeighbour优化
getNeighbour即获取邻居节点。这个函数相当于A*的眼界。
4.2.1增加路径的随机性
我们通常获取邻居的时候，会把获取邻居的顺序写死，比如我们获取周围四个邻居（上下左右），那么A*就会优先向上试探，这样就导致无意中把向上走这个策略定为优先级最高的策略。
下面这两种路径的长度是一样的，A*会跑出路径1（因为A*会优先向上试探）。
优化策略：
有时候我们为了消除获取邻居的优先次序，会在获取邻居的时候加上概率。
比如上下左右这四种邻居的排列有6种，可以设定每种排列的结果概率为16.6%。
即16.6%的概率，获取的邻居为上下左右；
16.6%的概率，获取的邻居为左右上下；
。。。。。。
4.2.2寻找更优路径
对该函数常见的实现有：
1、获取周围4个邻居（1，2，3，4）
此时A*只会向这四个方向走
2、获取周围8个邻居（1，2，3，4，5，6，7，8）
此时A*会向8个方向走
优化策略：
根据上图，A*的眼界最多也就8个视野，如果你想让A*看的更远，可以在扩大A*眼界范围，也可以是周围两圈，三圈等等。当然，眼界越大，就意味着A*要计算的节点也就越多，A*的速度一定会变慢，优点是可以让A*找到更优的路径。
4.2.3JPS（Jump Point Search）
JPS跳点搜索算法，这是A*的一个变种，其核心就是优化了A*的getNeighbour函数。
JPS只支持允许走斜线的情况，JPS只支持允许走斜线的情况，JPS只支持允许走斜线的情况。重要的事情说三遍！如果你的需求不想要走斜线，那么就不要考虑JPS了。
JPS相对于A*有很多优点，最重要的就是寻路的速度大幅提升。
JPS通过减少邻居节点来提升速度。
例如在无遮挡情况下（往往会有多条等价路径），而我们希望起点到终点实际只取其中一条路径，而该路径外其它节点可以没必要放入openlist（不希望加入没必要的邻居）。
在此我对JPS是如何跳点搜索不做过多的陈述，只简单的介绍其思路。
优化策略：
对邻居节点进行剪枝，删去不必要的邻居。
是不是感觉听君一席话，如听一席话，上次看到这句话的时候还是上次！想了解JPS可以百度搜索，也可以下载源码：JPS跳点搜索源码（C#）
4.3F=G+H+C启发式优化
启发式是A*最核心的部分，可以说是A*的大脑，它指导着A*下一步的走向。
4.3.1减少拐点
我做项目的时候，有一个需求就是减少拐点。下图路径1和路径2的长度是一样的，但是我更希望A*走出路径2。
怎么才能控制A*呢？刚才我就说了，启发式是A*的大脑，我们当然要给A*的大脑传达我们要减少拐点的意思。
在来看A*的启发式：
F=G+H+C
G：该点到起点的实际路径长度
H：该点到终点估算的估计长度
C：从当前节点走到该点的格外代价
你可以在C（额外代价）上做文章。可以通过判断从当前节点到该点是否拐弯去增加F的值。
代码如下：
///
/// 额外代价
///
/// 当前节点
/// 邻居节点
/// 终点
/// 优化策略：
如果A*拐弯，通过增大C的值来增大F的值。
加C函数的时机也很重要，我一般把C函数加在G函数上，即在计算邻居节点的G函数时，就加上C函数。
4.3.2可穿障碍物
在公司做项目时，有一个需求是：有些有障碍物的地方是可以走的，但是尽量不要从障碍物上走。这就是所谓的可穿障碍物。
下图有四个路径，棕色和紫色是我们想要的路径。
可以这样理解：
S1到G，穿越障碍物可以让A*少走1000m（假设打车走1000m需要花10元钱），而穿越障碍物只需要花5块钱，那么A*当然会选择穿越障碍物，因为更划算了。
S2到G，穿越障碍物可以让A*少走1000m（假设打车走400m需要花4元钱），而穿越障碍物却需要花5块钱，那么A*当然会选择多走400m，因为更划算了。
说到底，A*就是一个小财迷啊！
优化策略：
在C函数在判断邻居节点是否是障碍物，如果是障碍物，就增加C的值，从而达到增加F值的目的。
PS：对于F函数来说，如果你对A*要求太高，既要它少拐点，又要它不穿越障碍物，它可能会实现，但是有时候这两个需求是互相冲突的，就导致F函数值的混乱，使得A*走出非常奇怪的路线。A*只是一个可爱的小孩子，我们不能对他要求太高哦！
4.4Map矩阵优化
map可以说是A*的人生地图，在map上，A*诞生（起点），随着启发式大脑的计算，预测着对未来的期望，一步一步走向死亡（终点），它的人生轨迹就是A*在map上路径的体现。
4.4.1通过控制维度提升速度
最常用的map就是二维矩阵了，也是图表达的最简单的数据结构。
矩阵越大，意味着数据越多，A*要搜索的范围就可以越大，A*搜索的时间也就越长。所以矩阵的大小是降低A*搜索时间最直接的因素。
比如现实生活中100km*100km的城镇，城镇里面有大小不一的房子，街道等。我们想要将它映射成二维矩阵，想象成一个个的像素，那么问题来了：一个像素对应现实世界的长度是多少合适呢？
如果我们定义一个像素1mm，那么100km*100km就映射成100000000*100000000的二维矩阵。可以想象这个矩阵有多大，让你从左下角使用A*跑到右上角，获得的路径最少就包含200000000个点，你可能计算个1天也算不出来这个路径。
所以我们定义地图一个像素的大小是需要根据实际情况实际分析的。比如这个城镇，我们定义一个像素为1000m*1000m，虽然我们让地图的维度增大了，但是这个地图就会失真，很明显一个小车才1-2m长，1000m*1000m是无法表达出小车的长度。我会定义一个像素为1m*1m，这样我们就能表达出这个城镇所以的元素。
4.4.2分层优化提升速度--HPA
分层优化也是A*经典的优化策略了，其思想通俗点说就是对map做一个预处理。
每个块可以理解为一个map，下面有3*7个map，每个map在边界上有多个出口和入口，蓝色即表示从一个口到另一个口有通路。
预处理的意思就是：在每个map中，我们使用A*计算出从起点到终点的路径，把路径提前记录下来。然后将3*7个小map拼凑成一个大map，这样每个块的路径已经存在，就不需要把map的维度降的很低了。这个方法适用于map很大的情况。
比如我们想要从北京的一个路口导航到郑州的一个路口。
优化策略：
我们先预处理中国所有城市内的所有路径，然后以城市为一个维度，计算从北京到郑州的路径。然后在将城市内的路径细化到北京到郑州，计算出实际路径。
根据这个策略，我们甚至可以很快的计算出中国北京市到北极的路径，甚至到M78星云的最短路径！
HPA*这个是HPA的实现git链接，是使用unity开发的C#代码
HPA*论文