A星算法4邻域8邻域16邻域路径规划

一、环境建模

1. 地图表示方式
   使用二维网格地图（Grid Map）表示搜索空间，令地图大小为 M×NM \times N，每个网格代表一个节点。

   • 值为 0 表示可通行区域，1 表示障碍物。

   • 起点记为 S(x_s, y_s)，终点记为 G(x_g, y_g)。

2. 邻域定义

   • 4邻域：上下左右四个方向 (0,1),(1,0),(0,−1),(−1,0)(0,1), (1,0), (0,-1), (-1,0)

   • 8邻域：增加对角线 (1,1),(−1,1),(−1,−1),(1,−1)(1,1), (-1,1), (-1,-1), (1,-1)

   • 16邻域：引入更远的方向，如 (2,1),(1,2),(−2,1),(−1,2),…(2,1), (1,2), (-2,1), (-1,2), \ldots，共16个可选方向，需设定合理代价。

二、代价函数设计

A星算法核心使用以下总代价函数：

f(n)=g(n)+h(n)f(n) = g(n) + h(n)

• g(n)g(n)：从起点到当前节点 nn 的实际代价

• h(n)h(n)：从当前节点 nn 到目标点的启发式估计（启发函数）

常用启发函数：

• 4邻域：曼哈顿距离 h(n)=∣x−xg∣+∣y−yg∣h(n) = |x - x_g| + |y - y_g|

• 8邻域：对角线距离或欧几里得距离

• 16邻域：可使用欧几里得距离，也可根据方向设定分段代价函数

三、A星搜索流程

1. 初始化开放列表和封闭列表

   • 开放列表存储候选节点（按照 f 值排序）

   • 封闭列表记录已访问节点

2. 主循环逻辑

   • 每次从开放列表取出 f 最小节点

   • 如果该节点为终点，终止并回溯路径

   • 否则对其邻居执行：

     • 若不在封闭列表中，计算 g、h、f 值

     • 判断是否更新已有路径（若 g 更小）

3. 路径回溯

   • 终点找到后，通过每个节点的父节点回溯路径

四、建模扩展考虑

• 节点代价权重可扩展为非均匀地图（如泥泞、草地等）

• 邻域跳跃代价设计：16邻域中，远跳应设更高的 g 增量

• 可视化建模：使用 Python 的 matplotlib 或 pygame 可视化路径搜索过程

• 障碍膨胀（Obstacle Inflation）：模拟真实导航中安全边距