A*搜索詳解(2)——再戰覲天寶匣
書接上文。在坦克尋徑的,tank_way中,A*算法每一步搜索都是選擇F值最小的節點,步步為營,使得尋徑的結果是最優解。在這個過程中,查找最小F值的算法復雜度是O(n),這對於小地圖沒什麽問題,但是對於大地圖來說,openlist將會保存大量的節點信息,此時如果每次循環仍然使用O(n)復雜度的算法去查找最小F值就是個非常嚴重的問題了,這將導致遊戲運行緩慢。可以針對這一點行改進,在常數時間內查找到最小F值的節點。
一個現成的數據結構是優先隊列,python的heapq模塊已經實現了這個功能,它是基於堆優先隊列,可以中O(1)時間內返回堆中的最小值。我們用heapq存儲openlist中的節點,構建新的坦克尋徑代碼:
import heapq START, END = (), () # 起點和終點的位置 OBSTRUCTION = 1 # 障礙物標記 class Node: def __init__(self, x, y, parent): self.x = x # 節點的行號 self.y = y # 節點的列號 self.parent = parent # 父節點 self.h = 0 self.g = 0 self.f = 0 def get_G(self):‘‘‘ 當前節點到起點的代價 ‘‘‘ if self.g != 0: return self.g elif self.parent is None: self.g = 0 # 當前節點在parent的垂直或水平方向 elif self.parent.x == self.x or self.parent.y == self.y: self.g = self.parent.get_G() + 10 # 當前節點在parent的斜對角 else: self.g = self.parent.get_G() + 14 return self.g def get_H(self): ‘‘‘節點到終點的距離估值 ‘‘‘ if self.h == 0: self.h = self.manhattan(self.x, self.y, END[0], END[1]) * 10 return self.h def get_F(self): ‘‘‘ 節點的評估值 ‘‘‘ if self.f == 0: self.f = self.get_G() + self.get_H() return self.f def manhattan(self, from_x, from_y, to_x, to_y): ‘‘‘ 曼哈頓距離 ‘‘‘ return abs(to_x - from_x) + abs(to_y - from_y) def __lt__(self, other): ‘‘‘ 用於堆比較,返回堆中f最小的一個 ‘‘‘ return self.get_F() < other.get_F() def __eq__(self, other): ‘‘‘ 判斷Node是否相等 ‘‘‘ return self.x == other.x and self.y == other.y def __ne__(self, other): ‘‘‘ 判斷Node是否不等 ‘‘‘ return not self.__eq__(other) class Tank_way: ‘‘‘ 使用A*搜索找到坦克的最短移動路徑 ‘‘‘ def __init__(self, map2d): self.map2d = map2d # 地圖數據 self.x_edge, self.y_edge = len(map2d), len(map2d[0]) # 地圖邊界 # 垂直和水平方向的差向量 self.v_hv = [(-1, 0), (0, 1), (1, 0), (0, -1)] # 斜對角的差向量 self.v_diagonal = [(-1, 1), (1, 1), (1, -1), (-1, -1)] self.openlist = [] # openlist使用基於堆的優先隊列 self.closelist = set() self.answer = None def is_in_map(self, x, y): ‘‘‘ (x, y)是否中地圖內 ‘‘‘ return 0 <= x < self.x_edge and 0 <= y < self.y_edge def in_closelist(self, x, y): ‘‘‘ (x, y) 方格是否在closeList中 ‘‘‘ return (x, y) in self.closelist def add_in_openlist(self, node): ‘‘‘ 將node添加到 openlist ‘‘‘ heapq.heappush(self.openlist, node) def add_in_closelist(self, node): ‘‘‘ 將node添加到 closelist ‘‘‘ self.closelist.add((node.x, node.y)) def pop_min_F(self): ‘‘‘ 彈出openlist中F值最小的節點 ‘‘‘ return heapq.heappop(self.openlist) def append_Q(self, P): ‘‘‘ 找到P周圍可以探索的節點,將其加入openlist,並返回這些節點 ‘‘‘ Q = {} # 將水平或垂直方向的相應方格加入到Q for dir in self.v_hv: x, y = P.x + dir[0], P.y + dir[1] # 如果(x,y)不是障礙物並且不在closelist中,將(x,y)加入到Q if self.is_in_map(x, y) and self.map2d[x][y] != OBSTRUCTION and not self.in_closelist(x, y): node = Node(x, y, P) Q[(x, y)] = node heapq.heappush(self.openlist, node) # 將node同時放入openlist中 # 將斜對角的相應方格加入到Q for dir in self.v_diagonal: x, y = P.x + dir[0], P.y + dir[1] # 如果(x,y)不是障礙物,且(x,y)能夠與P聯通,且(x,y)不在closelist中,將(x,y)加入到Q if self.is_in_map(x, y) and self.map2d[x][y] != OBSTRUCTION and self.map2d[x][P.y] != OBSTRUCTION and self.map2d[P.x][y] != OBSTRUCTION and not self.in_closelist(x, y): node = Node(x, y, P) Q[(x, y)] = node heapq.heappush(self.openlist, node) # 將node同時放入openlist中 return Q def a_search(self): while self.openlist: # 找到openlist中F值最小的節點作為探索節點 P = self.pop_min_F() # 如果P在closelist中,執行下一次循環 if self.in_closelist(P.x, P.y): continue # P加入closelist self.add_in_closelist(P) # P周圍待探索的節點 Q = self.append_Q(P) # Q中沒有任何節點,表示該路徑一定不是最短路徑,重新從openlist中選擇 if not Q: continue # 找到了終點, 退出循環 if Q.get(END) is not None: self.answer = Node(END[0], END[1], P) break def start(self): node_start = Node(START[0], START[1], None) self.add_in_openlist(node_start) self.a_search() def paint(self): ‘‘‘ 打印最短路線 ‘‘‘ node = self.answer while node is not None: print((node.x, node.y), ‘G={0}, H={1}, F={2}‘.format(node.g, node.h, node.get_F())) node = node.parent if __name__ == ‘__main__‘: map2d = [[0] * 8 for i in range(8)] map2d[5][4] = 1 map2d[5][5] = 1 map2d[4][5] = 1 map2d[3][5] = 1 map2d[2][5] = 1 START, END = (3, 2), (5, 7) a_way = Tank_way(map2d) a_way.start() a_way.paint()
Tank_way_2省略的代碼和Tank_way一致。為了讓openlist能夠返回F值最小值的節點,需要在Node中添加三個額外的方法。對於pop_min_F()而言,不再需要遍歷所有節點,僅僅是從堆頂彈出而已,這將大大縮短程序運行的時間。在Tank_way_2中,用append_Q代替了原來來的get_Q(),這是因為不再需要用Q中的節點和openlist中的節點相比較,僅僅是將Q中的節點添加到openlist中。這樣做雖然會使得openlist中存在一些重復節點,不過沒關系,對於有相同標記的節點,F值小的那個總是最先彈出,一旦彈出就會加入到closelist中,這意味著當該標記的節點再次彈出時,將不會被使用,也就是說,如果同一個標記的節點被計算了多次F值,總是能夠確保使用F值最小的那個,並丟棄其它的。
再戰覲天寶匣
基於盲目策略的廣度優先收索無法有效完成4階以上的拼圖(可參考搜索的策略(3)——覲天寶匣上的拼圖),在理解了A*搜索後,可以用這種啟發性策略再次挑戰覲天寶匣的拼圖。
設計評估函數
如果將拼圖的每一次移動看作“一步”,只要能定義出離評估函數和代價函數,就可以像坦克尋徑一樣使用A*搜索尋找拼圖的復原步驟。
我們將g(n)定義為從起點移動到某個狀態的步數;h(n)是當前狀態到復原狀態的距離估值,它用所有碎片的曼哈頓距離之和表示。以3×3的拼圖為例,假設拼圖的某個狀態和復原狀態是:
左圖中,3號碎片的位置是(2,0),它在復原狀態的位置是(1,0),則3號碎片的曼哈頓距離是|2-1|+|0-0|=1。同理,5號碎片的曼哈頓距離是|0-1|+|1-2|=2。左圖距復原狀態的曼哈頓距離是所有碎片的曼哈頓距離之和:
其中Dn表示第n個碎片的曼哈頓距離,圖眼的編號是8。
復原拼圖
有了g和h就可以開始復原拼圖,復原過程和坦克的尋路類似。從拼圖的初始狀態開始,第一步可以向三個方向探測,從而產生三種狀態:
此後每一步都選擇最小的F值繼續探索,如果F值相同,則選擇最後加入openlist中的一個:
最終的復原步驟如圖:
對比搜索的策略(3)——覲天寶匣上的拼圖中的廣度優先搜索可以看出,A*搜索比廣度優先搜索的復原更快。
實現A*搜索
拼圖的實現和坦克尋徑類似,完整代碼如下:
import random import copy import heapq IMG_END = [] # 拼圖的復原狀態 EYE_VAL = ‘ ‘ # 圖眼的值 DIST = {} def get_hash_value(img): ‘‘‘ 獲取img的哈希值 ‘‘‘ return hash(str(img)) class Node: def __init__(self, img, x=0, y=0, parent=None): self.img = img # 當前拼圖 self.x, self.y = x, y # 圖眼在img中的位置 self.parent = parent # 父節點 self.hash_value = get_hash_value(img) # Node的哈希值 self.h = 0 self.g = 0 self.f = 0 def get_G(self): ‘‘‘ 當前節點到起點的代價 ‘‘‘ if self.g != 0: return self.g elif self.parent is None: self.g = 0 else: self.g = self.parent.get_G() + 1 return self.g def get_H(self): ‘‘‘ 節點到終點的距離估值 ‘‘‘ if self.h == 0: self.h = self.manhattan() return self.h def get_F(self): ‘‘‘ 節點的評估值 ‘‘‘ if self.f == 0: self.f = self.get_G() + self.get_H() # self.f = self.get_H() return self.f def manhattan(self): ‘‘ ‘當前拼圖到復原狀態的距離 ‘‘‘ d = DIST.get(self.hash_value) if d is not None: return d dist = 0 x_end, y_end = 0, 0 # img_end 中某一個碎片的位置 n = len(self.img) for x, row in enumerate(self.img): for y, piece in enumerate(row): if piece == IMG_END[x][y]: continue # 計算piece碎片在img_end中的位置 if piece == EYE_VAL: x_end = n - 1 y_end = n - 1 else: x_end = piece // n y_end = piece - n * x_end dist += abs(x - x_end) + abs(y - y_end) DIST[self.hash_value] = dist return dist def __lt__(self, other): ‘‘‘ 用於堆比較,返回堆中f最小的一個 ‘‘‘ return self.get_F() < other.get_F() def __eq__(self, other): ‘‘‘ 判斷Node是否相等 ‘‘‘ return self.img.hash_value == other.img.hash_value def __ne__(self, other): ‘‘‘ 判斷Node是否不等 ‘‘‘ return not self.__eq__(other) def __hash__(self): return self.hash_value class JigsawPuzzle_A: ‘‘‘ 用A*搜索復原拼圖 ‘‘‘ def __init__(self, level=1, img_start=None): self.level = level # 難度系數 self.n = len(IMG_END) # 拼圖的維度 self.end_hash_value = get_hash_value(IMG_END) # 復原狀態的哈希值 # “圖眼”移動的方向, 上、左、下、右 self.v_move = [(0, 1), (-1, 0), (0, -1), (1, 0)] # 設置拼圖的初始狀態和圖眼的位置 if img_start is not None: self.img_start = img_start self.eye_x, self.eye_y = self.search_eye(img_start) else: self.img_start, self.eye_x, self.eye_y = self.confuse() self.openlist = [] self.closelist = set() # 拼圖復原步驟 self.answer = None def confuse(self): ‘‘‘ 創建一個n*n的拼圖,返回打亂狀態和圖眼位置 ‘‘‘ # 拼圖的初始狀態 img_start = copy.deepcopy(IMG_END) from_x, from_y = self.search_eye(IMG_END) to_x, to_y = from_x, from_y # 將圖眼隨機移動 n * n * level次 for i in range(self.n * self.n * self.level): # 選擇一個隨機方向 v_x, v_y = random.choice(self.v_move) to_x, to_y = from_x + v_x, from_y + v_y if self.enable(to_x, to_y): # 向選擇的隨機方向移動 self.move(img_start, from_x, from_y, to_x, to_y) from_x, from_y = to_x, to_y else: to_x, to_y = from_x, from_y return img_start, to_x, to_y def search_eye(self, img): ‘‘‘ 找到img中圖眼的位置 ‘‘‘ # “圖眼”的值是eye_val,打亂順序後需要尋找到圖眼的位置 for x in range(self.n): for y in range(self.n): if EYE_VAL == img[x][y]: return x, y def in_closelist(self, node): ‘‘‘ node 是否在closelist中 ‘‘‘ return node.hash_value in self.closelist def add_in_openlist(self, node): ‘‘‘ node節點加入openlist ‘‘‘ heapq.heappush(self.openlist, node) def add_in_closelist(self, node): ‘‘‘ node節點加入closelist ‘‘‘ self.closelist.add(node.hash_value) def pop_min_F(self): ‘‘‘ 找到openlist中F值最小的節點 ‘‘‘ return heapq.heappop(self.openlist) def enable(self, to_x, to_y): ‘‘‘ 圖眼是否能夠移動到x,y的位置 ‘‘‘ return 0 <= to_x < self.n and 0 <= to_y < self.n def move(self, img, from_x, from_y, to_x, to_y): ‘‘‘ 將圖眼從from_x, from_y移動到to_x, to_y ‘‘‘ img[from_x][from_y], img[to_x][to_y] = img[to_x][to_y], img[from_x][from_y] def append_Q(self, P): ‘‘‘ 找到P周圍可以探索的節點,將其加入openlist,並返回這些節點 ‘‘‘ Q = {} for v_x, v_y in self.v_move: to_x, to_y = P.x + v_x, P.y + v_y # 檢驗是否可以向to_x, to_y方向移動 if not self.enable(to_x, to_y): continue curr_img = copy.deepcopy(P.img) self.move(curr_img, P.x, P.y, to_x, to_y) # 如果node是不在closelist中,把node添加到Q中 if not self.in_closelist(Node(curr_img)): node = Node(curr_img, x=to_x, y=to_y, parent=P) Q[node.hash_value] = node self.add_in_openlist(node) return Q def a_search(self): ‘‘‘ A*搜索拼圖的解 ‘‘‘ while self.openlist: # 找到openlist中F值最小的節點作為探索節點 P = self.pop_min_F() # 如果P在closelist中,執行下一次循環 if self.in_closelist(P): continue # P加入closelist self.add_in_closelist(P) # P周圍待探索的節點 Q = self.append_Q(P) # Q中沒有任何節點,表示該路徑一定不是最短路徑,重新從openlist中選擇 if not Q: continue # 找到了終點, 退出循環 if Q.get(self.end_hash_value) is not None: self.answer = Node(IMG_END, parent=P) break def start(self): if self.img_start == IMG_END: print(‘start = end‘) return node_start = Node(img=self.img_start, x=self.eye_x, y=self.eye_y) self.add_in_openlist(node_start) self.a_search() def display(self): if self.answer is None: print(‘No answer‘) node = self.answer while node is not None: print(node.img) node = node.parent def create_img_end(n): ‘‘‘ 創建一個n*n的拼圖,將右下角的碎片圖指定為圖眼 ‘‘‘ img = [] for i in range(n): img.append(list(range(n * i, n * i + n))) img[n - 1][n - 1] = EYE_VAL return img if __name__ == ‘__main__‘: n = 9 IMG_END = create_img_end(n) # img_start = [[3, 0, 2], [1, 7, EYE_VAL], [6, 5, 4]] jigsaw = JigsawPuzzle_A(level=5) print(‘start=‘, jigsaw.img_start, ‘,eye =‘, (jigsaw.eye_y, jigsaw.eye_x)) jigsaw.start() jigsaw.display()
JigsawPuzzle_A中額外設置了難度系數,level的值越大,復原拼圖越困難。對於一個拼圖來說,level=5已經足以打亂順序:
九九拼圖的復原已經非人力所能解決。JigsawPuzzle_A可以快速復原任意難度的4×4拼圖,對於更高階的拼圖,即使是A*搜索,面對的搜索數量依然十分龐大,需要耗費相當長的時間,只有level=1的時候 9×9拼圖才能快速得到結果。
作者:我是8位的
出處:http://www.cnblogs.com/bigmonkey
本文以學習、研究和分享為主,如需轉載,請聯系本人,標明作者和出處,非商業用途!
掃描二維碼關註公眾號“我是8位的”
A*搜索詳解(2)——再戰覲天寶匣