-刘浩-实验.docVIP

人工智能导论 实验一 A*算法Python实现 实验环境： Python（英语发音：/ˈpaɪθən/）, 是一种面向对象、解释型计算机程序设计语言，由Guido van Rossum于1989年底发明，第一个公开发行版发行于1991年。Python语法简洁而清晰，具有丰富和强大的类库。它常被昵称为胶水语言，它能够把用其他语言制作的各种模块（尤其是C/C++）很轻松地联结在一起。常见的一种应用情形是，使用Python快速生成程序的原型（有时甚至是程序的最终界面），然后对其中有特别要求的部分，用更合适的语言改写，比如3D游戏中的图形渲染模块，性能要求特别高，就可以用C++重写。 实验目的： 了解和掌握Python语言的使用方法，并能利用它解决实际应用中所遇到的问题；同时实现经典的A*算法，加深对它的印象，并巩固对人工智能领域中最重要的方面“搜索”的理解。 实验内容： 利用python语言实现经典的A*算法，其中A*（A-Star)算法是一种静态路网中求解最短路最有效的直接搜索方法。估价值与实际值越接近，估价函数取得就越好。 它的原理在于A*[1] （A-Star)算法是一种静态路网中求解最短路最有效的直接搜索方法。 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（ALT，CH，HL等等），在线查询效率是A*算法的数千甚至上万倍。 公式表示为： f(n)=g(n)+h(n), 其中 f(n) 是从初始点经由节点n到目标点的估价函数， g(n) 是在状态空间中从初始节点到n节点的实际代价， h(n) 是从n到目标节点最佳路径的估计代价。 保证找到最短路径（最优解的）条件，关键在于估价函数h(n)的选取： 估价值h(n)= n到目标节点的距离实际值，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。并且如果h(n)=d(n)，即距离估计h(n)等于最短距离，那么搜索将严格沿着最短路径进行， 此时的搜索效率是最高的。 如果 估价值实际值,搜索的点数少，搜索范围小，效率高，但不能保证得到最优解。 实验步骤： 1．算法的基本描述 采用数组的方式来进行A*查找 首先定义Map类，作为障碍迷宫的地图，里头会根据地图的大小，生成四个跟地图大小一致的列表： self._nodeparentx = [] 节点的父节点X信息 self._nodeparenty = [] 节点的父节点Y信息 self._nodegcost = [] 节点的权值g self._nodehcost = [] 节点的估算开销h 而地图本身则是一个一维列表即self._maze = [] 于是，python自身对小整数的优化，就导致我们的算法的优化 本算法采用起点，终点同时搜索的办法： 起点使用A*搜索； 终点采用波纹扩散搜索 ，也就是说随便找一个点，只要不在close列表，就扩展其相邻节点，直到无路可寻或找到起点搜索过来的节点为止； 一旦起点终点的搜索路径相遇，表示实际上已经有一条不是最优的路径了，直接返回该路径，对于一般的大面积零星障碍地图，A*肯定比终点算法快；如果从终点的搜索更快，说明该地图障碍密集，因此，这里不考虑再去用A*搜索剩余路径了，返回起点路径 + 终点路径的集合 在 本代码中，就是写了个例子，其障碍图几乎就是一个从上到下，又从下到上，仅余一个格子让其通过的这么一个极度疏密的迷宫 2.算法的实现 # -*- coding: utf-8 -*- from time import time # A*地图可达数据管理接口。 class AMap: def __init__(self, width, height, maze): self._width = width self._height = height self._mask = -1 self._maze = maze # 直接指向内存结构 self._nodeparentx = [] self._nodeparenty = [] self._nodegcost = [] self._nodehcost = [] self._size = width * height for i in range(self._size): self._nodeparentx.append(-1) self._nodeparenty.append(-1) self._nodegcost.append(0) se