文档介绍：初识A*算法
写这篇文章的初衷是应一个网友的要求，当然我也发现 现在有关人工智能的中文站点实在太少，我在这里抛砖引玉， 希望大家都来热心的参与。
还是说正题，我先拿 A*算法开刀，是因为 A*在游戏中 有它很典型的用法，是人工智能在游戏中的代表。
A*算法在人工智能中是一种典型的启发式搜索算法，为 了说清楚A*算法，我看还是先说说何谓启发式算法。
一、何谓启发式搜索算法
在说它之前先提提状态空间搜索。状态空间搜索，如果 按专业点的说法就是将问题求解过程表现为从初始状态到 目标状态寻找这个路径的过程。通俗点说，就是在解一个问 题时，找到一条解题的过程可以从求解的开始到问题的结果
（好象并不通俗哦）。由于求解问题的过程中分枝有很多， 主要是求解过程中求解条件的不确定性，不完备性造成的， 使得求解的路径很多这就构成了一个图，我们说这个图就是 状态空间。问题的求解实际上就是在这个图中找到一条路径 可以从开始到结果。这个寻找的过程就是状态空间搜索。
常用的状态空间搜索有深度优先和广度优先。广度优先 是从初始状态一层一层向下找，直到找到目标为止。深度优 先是按照一定的顺序前查找完一个分支，再查找另一个分支，
以至找到目标为止。这两种算法在数据结构书中都有描述, 可以参看这些书得到更详细的解释。
前面说的广度和深度优先搜索有一个很大的缺陷就是 他们都是在一个给定的状态空间中穷举。这在状态空间不大 的情况下是很合适的算法，可是当状态空间十分大，且不预 测的情况下就不可取了。 他的效率实在太低，甚至不可完成。 在这里就要用到启发式搜索了。
启发式搜索就是在状态空间中的搜索对每一个搜索的 位置进行评估，得到最好的位置，再从这个位置进行搜索直 到目标。这样可以省略大虽无畏的搜索路径，提到了效率。 在启发式搜索中，对位置的估价是十分重要的。采用了不同 的估价可以有不同的效果。我们先看看估价是如何表示的。
启发中的估价是用估价函数表示的，如：
f(n) = g(n) + h(n)
其中f(n)是节点n的估价函数，g(n)实在状态空间中从初 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。在这里主要是 h(n)体现了搜索的启发信息，
因为g(n)是已知的。如果说详细点，g(n)代表了搜索的广度的 优先趋势。但是当h(n)>>g(n)时，可以省略g(n),而提高效率。 这些就深了，不懂也不影响啦！我们继续看看何谓 A*算法
二、初识A*算法
启发式搜索其实有很多的算法，比如：局部择优搜索法、 最好优先搜索法等等。 当然A*也是。这些算法都使用了启发 函数，但在具体的选取最佳搜索节点时的策略不同。象局部 择优搜索法，就是在搜索的过程中选取“最佳节点”后舍弃 其他的兄弟节点，父亲节点，而一直得搜索下去。这种搜索 的结果很明显，由于舍弃了其他的节点，可能也把最好的节 点都舍弃了，因为求解的最佳节点只是在该阶段的最佳并不 一定是全局的最佳。最好优先就聪明多了，他在搜索时，便 没有舍弃节点(除非该节点是死节点) ，在每一步的估价中
都把当前的节点和以前的节点的估价值比较得到一个“最佳 的节点”。这样可以有效的防止“最佳节点”的丢失。那么 A*算法乂是一种什么样的算法呢？其实 A*算法也是一种最
好优先的算法。只不过要加上一些约束条件罢了。由于在一 些问题求解时，我们希望能够求解出状态空间搜索的最短路 径，也就是用最快的方法求解问题， A*就是干这种事情的!
我们先下个定义，如果一个估价函数可以找出最短的路径， 我们称之为可采纳性。A*算法是一个可采纳的最好优先算法。 A*算法的估价函数可表示为：
f(n) = g'(n) + h'(n)
这里，f(n)是估价函数，g'(n)是起点到终点的最短路径 值，h'(n)是n到目标的最断路经的启发值。由于这个 f(n)其
实是无法预先知道的，所以我们用前面的估价函数 f(n)做近
似。g(n)代替g'(n),但g(n)>=g'(n)才可(大多数情况下都是满 足的，可以不用考虑)，h(n)代替h'(n),但h(n)<=h'(n)才可(这 一点特别的重要)。可以证明应用这样的估价函数是可以找 到最短路径的，也就是可采纳的。我们说应用这种估价函数 的最好优先算法就是 A*算法。哈！你懂了吗？肯定没懂！ 接
着看！
举一个例子，其实广度优先算法就是 A*算法的特例。其 中g(n)是节点所在的层数，h(n)=0,这种h(n)肯定小于h'(n), 所以由前述可知广度优先算法是一种可采纳的。实际也是。 当然它是一种最臭的 A*算法。
再说一个问题，就是有关 h(n)启发函数的信息性。h(n)
的信息性通俗点说其实就是在估计一个节点的值时的约束 条件，如