路径规划中A算法优化研究.docVIP

路径规划中A算法优化研究 　　摘要：路径规划问题一直是人工智能领域研究的一个热门，因其实际的运用对我们生活产生了深远的影响而长期被广大科研人员所研究。A*算法是路径规划中应用得最为广泛的一种算法，但是在实际应用中也存在诸多的问题。针对路径规划中A*算法存在的效率低，死循环，搜索时间长等问题，探讨对A*算法的优化，从多个角度分析A*算法中可优化的部分并提出优化方法。经过优化的A*算法相比传统的A*算法更能适应于实际运用。 　　关键词：路径规划 A*算法 效率低 优化 　　中图分类号：TP18 文献标识码：A 文章编号：1007-9416（2015）10-0000-00 　　路径规划算法在我们的实际生活中运用的相当广泛，如GPS地图导航[1]、机器人避障[2]、路由选择[3]等的核心都是路径规划算法。如何能有效快捷的找到一个最优的路径是路径规划算法要研究的主要问题。目前已经出现了较多的路径规划算法，如：Dijkstra算法、A*算法、蚁群算法、神经网络算法、遗传算法等[4]，而这些算法都有其自身的局限性，只能适应某一种或几种的实际情景。路径规划中的A*算法是实际中运用的较多的一种启发式路径规划算法，它解决了传统的无信息盲目搜索的问题，可以在众多节点中遍历少量的节点而找到一条较优的路径。比传统的深度优先，广度优先和Dijstra算法的效率更高。但是A*算法也存在环路搜索，搜索耗时等问题，在实际的运用当中我们必须对其进行优化以得到一个更理想的结果。 　　1 A*算法的原理 　　A*算法对传统的Dijkstra算法进行了改进，克服了Dijkstra算法搜索效率低的缺陷，是目前解决地图路径搜索的最有效的算法[5]。其主要思想是：在搜索下一个节点并选择该节点路径时，加入了一个估价函数用于计算节点的代价，从而选择更小代价的节点路径。估价函数的其形式如式（1）所示： 　　其中， 表示从最开始的那个节点到当前节点 实际上花费的代价，这个实际代价可以获取的； 则是从当前节点 到目标节点估计的代价。那么显然我们可以看出估价函数 的大小取决于 ， 作为启发式函数它设计的好坏则直接影响A*算法效率的高低。A* 算法的具体实现步骤如下： 　　（1）创建两个表，OPEN表用于记录已找到但未考察的节点，CLOSED表存放已访问过的节点。算出起始节点的估价值并把它把存放到OPEN表中。 　　（2）如果OPEN表不为空，则取出其中估价值 最小的节点 ，否则直接退出。 　　（3）判断当前节点是否为目标节点，如果是则直接退出，表示已找到最优节点路径。否则，继续下一步。 　　（4）把取出的当前节点 从OPEN表中删除，并且把它插入CLOSED表中。 　　（5）遍历当前节点的所有子节点X，并计算他们的估价值 。如果节点X在OPEN表中，并且新的估价值 小于OPEN表里原来的估价值，则把节点 设为节点X的父节点，并且更新OPEN表中的估价值。如果节点X在CLOSED表中，则继续遍历。如果节点X既不在OPEN表中也不再CLOSED表中，则把节点 设为节点X的父节点，求节点X的估价值并插入到OPEN表中。 　　（6）跳转到第4继续执行，直到找到目标节点退出程序。 　　2 分析A*算法存在的不足 　　A*算法之所以效率高是因为引入了估价函数，通过估价函数值 的大小选择下一个代价最小的节点路径。由于启发函数提供了相关信息，访问节点的数量大大减少，因此相比传统的无启发函数的路径规划算法在效率上得到了巨大的提升。但是由此我们也可以看出A*算法也存在一个明显的缺点，启发函数是一种由经验确定的函数，节点选择充满随机性，很难保证每次的选择都是最优的，很可能在最优节点计算的时候出现错误，导致节点的误删除，计算的路径为非最优路径[6]。在计算过程中还可能出现死锁现象，出现节点计算的循环，形成“环路”搜索，从而导致算法陷入“死循环”，无法得到最优路径[7]。从估价函数可以看出，启发函数如果设计的好，带有更多的信息量，则可排除而不去访问的节点就越多，从而提高了搜索的速率。但是如果启发函数含有的信息量过高又会导致其本身的复杂度变高，计算量就会变大，而影响搜索的速度。因此如何合理选择启发函数成为A*算法效率的一个关键。 　　A*算法运用到实际当中的时候会出现一个问题，实际的地图并不是一整块的二维栅格，它是被很多障碍（如河流，山川等）给划分成多个形状并不规则的块并且每一块的道路密集程度不同，有的块节点很密集，而有的却很稀疏。如果直接运用A*算法对整张地图进行路径寻优的话会出现“死循环”现象[8]。 　　此外，从第一节对A*算法的实现步骤的描述我们可以看出，每次从OPEN表取出节点或者把节点放入CLOSED表时都要进行耗费时间的搜索工作[9]。因此，对OPEN表中节点代价