区域性演算法.doc

電腦鼠的迷宮演算法 班級：四技系統三甲 組員家宏致中 指導老師：黎靖 引言 一台電腦鼠除了硬體方面，軟體也是相當重要的，如果把電腦鼠比喻成人來看，那硬體就是四肢，而軟體就相當於電腦鼠的大腦，必須控制四肢的動作，去設定馬達的轉速，還要解讀由外面感測器所傳達回來的訊息，加以分析，這樣像在遇到牆壁或岔路時，才能控制馬達的轉速，不會衝太快去撞牆，最後還要能記憶迷宮的地圖，然後選擇演算法順利走出迷宮! 這種演算法有別於前面四種演算法，向心演算法是一種改良過的搜尋法，通常用這種方法都會先畫出其迷宮的座標，而在遇到岔路時，會依目前位置與中心點之間的距離來判斷下一步，然後依向心權位值小的格子前進(中心點為0)，這種演算法利用的觀念是終點都設在中心點這個目標來設計的，這種搜尋法通常路徑都會比較短，能較快找到目標。 首先需要先把由終點往外擴充編寫格子的編號，在從起點開始。 遇岔路時，優先選擇數字較低者，如遇死路則返回上一節點重新選擇。 全域性演算法 一、洪水演算法 洪水演算法是一種以距離為主的迷宮演算法，由終點開始填洪水值，先被洪水流過的方格其洪水值肯定比較晚流過之方格的洪水值小，所以依洪水值大小，由大到小即可找出最短路徑。 而當電腦鼠實際上在更新格子距離的步驟如下: 1. 先搜尋周圍障礙物的情形，並更新迷宮的資訊。 2. 再依周圍牆壁的情型更新與那個格子的距離。 3. 最後再找出周圍沒走過的格子中挑距離值最短的格子移動，如果所有周圍的格子都走過了，就回上一個節點。 A*演算法 A*是最廣泛被大家使用的演算法，用於一般的2D平面、RPG遊戲、或是大型的戰略遊戲，用以找尋NPC或控制腳色到指定地點時，尋找最短路徑都是用A*演算法，重點在於開啟列表及關閉列表的使用。 其路徑評估的公式F = G + H。 G代表的從起點沿著所產生路徑，走到鄰近節點的移動代價。 H代表從所選的相鄰節點到終點的移動代價，又稱為錯誤嘗試。因為 在移動過程中會碰到不同的的障礙物，但對於此路徑只能猜測。 H的計算方法有許多種，在此報告則使用曼哈頓法。 曼哈頓法： 計算目前節點到終點節點之間水平以及垂直的方格總和，再將其和乘於10 (對角線不列入討論)，其值為估計值，並非實際值。 以下舉個例子來講解A*演算法 深綠色 → 起始節點 粉紅色 → 終點節點 棕色 → 父節點 藍色 → 設定為障礙物(石頭、牆不等) 青綠色 → 列入開啟列表中 紫色 → 列入關閉列表中 圖1 如圖1，將A3設定為起始節點，E7為終點，藍色部分(A6、B5、B6、C4、C5、C6、D3、D4、D5、D6)為障礙物，G值的水平及垂直設為10，對角線設為14，H算法則使用曼哈頓法(所選節點到終點的格數*10) 1. 將A3設定為父節點，並將鄰近節點A2、A4、B2、B3、B4列入開啟列表中，並計算出每個相鄰節點的F值。 A2 → G=10 H=9*10 F=100 A4 → G=10 H=7*10 F=80 B2 → G=14 H=8*10 F=94 B3 → G=10 H=7*10 F=80 B4 → G=14 H=6*10 F=74並將其各點指向父節點如圖2。 圖2 選擇F值最低做為下一點，因此選擇B4。 2. 將B4設為父節點(如圖3)，將A3從開始列表刪除，加入關閉列表。 B4的相鄰節點A4、B3已在開啟列表中，右因為對角線繞過障礙物的方法不在此討論故A5、C3不考慮，C4、B5為障礙物也不討論。 A5 → G=28 H=6*10 F=88(在此新節點的G值以父節點為起點，將父節點加上對其相鄰節點的路徑代價，即14+14) 圖3 選擇F值較小的B3前進。 3. 將B3設為父節點如圖4，將B4從開啟列表中刪除且加入關閉列表中。 B3的相鄰節點為A2、B2、A4已在開啟列表，Ｃ4為障礙物不做討論。 C2 → G=24 H=7*10 F=94 C3 → G=20 H=6*10 F=80並將其節點指向父節點 圖4 選擇F值較小的C3前進而非B2，因為C3比B2晚加入列表之中 4. 設定C3為父節點(如圖5)，將B3從開啟列表中刪除且加入關閉列表中，接著D3為障礙物，D2為對角線都也不在此討論中使用。 所以直接選擇C2為下一個節點。 圖5 5. 將C2設為父節點(如圖6)，將C3從開啟列表中刪除並加入關閉列表，計算C2相鄰節點的F值。 B1 → G=38 H=9*10 F=128 C1 → G=34 H=8*10 F=114 D1 → G=38 H=7*10 F=108 D2 → G=34 H=6*10 F=94 並將其節點指向父節點。 選擇F值較小的節點D2為下一步。