文档介绍：人工智能
学院：信息学院
班级:
学号：
姓名：
实验原理
A*算法，作为启发式算法中很重要的一种，被广泛应用在最优路径求解和一些策略设计的问题中。而A*算法最为核心的部分，就在于它的一个估值函数的设计上：
f(n)=g(n)+h(n)
其中f(n)是每个可能试探点的估值，它有两部分组成：一部分为g(n)，它表示从起始搜索点到当前点的代价（通常用某结点在搜索树中的深度来表示）。另一部分，即h(n)，它表示启发式搜索中最为重要的一部分，即当前结点到目标结点的估值，h(n)设计的好坏，直接影响着具有此种启发式函数的启发式算法的是否能称为A*算法。
一种具有f(n)=g(n)+h(n)策略的启发式算法能成为A*算法的充分条件是：
1)      搜索树上存在着从起始点到终了点的最优路径。
2)      问题域是有限的。
3）所有结点的子结点的搜索代价值>0。
4）h(n)=<h*(n) （h*(n)为实际问题的代价值）。
当此四个条件都满足时，一个具有f(n)=g(n)+h(n)策略的启发式算法能成为A*算法，并一定能找到最优解。对于一个搜索问题，显然，条件1,2,3都是很容易满足的，而条件4)： h(n)<=h*(n)是需要精心设计的，由于h*(n)显然是无法知道的。所以，一个满足条件4）的启发策略h(n)就来的难能可贵了。不过h(n)距离h*(n)的程度不能过大，否则h(n)就没有过强的区分能力，算法效率并不会很高。对一个好的h(n)的评价是：h(n)在h*(n)的下界之下，并且尽量接近h*(n).
实验过程
运行未修改的程序会得到最优路径为：
算法共扩展节点数792.
若修改源程序，即允许走斜线则
distance=(int)sqrt((end_x-x)*(end_x-x)+(end_y-y)*(end_y-y))，即将估价函数改为欧式距离
四连通改为八连通
trytile(x,y-1,n,1);//尝试向上移动
trytile(x+1,y-1,n,2);// 尝试向前上方移动
trytile(x-1,y-1,n,2); // 尝试向后上方移动
trytile(x-1,y+1,n,2); // 尝试向后下方移动
trytile(x+1,y+1,n,2); // 尝试向前下方移动
trytile(x,y+1,n,1);//尝试向下移动
trytile(x-1,y,n,1);//尝试向左移动
trytile(x+1,y,n,1);//尝试向右移动
并修改g值if(lei==1)//如果是直线走
{g_value=father->g+1;
}
if(lei==2)//如果是斜线走
{g_value=father->g+;
}
修改后的扩展结点数837
实验分析
A*算法最为核心的过程，就在每次选择下一个当前搜索点时，是从所有已探知的但未搜索过点中(可能是不同层，亦可不在同一条支路上)，选取f值最小的结点进行展开。而所有“已探知的但未搜索过点”可以通过一个按f值升序的队列(即优先队列)进行排列。这样，在整体的搜索