游戏中路径搜索算法研究

路径搜索是游戏中非常重要的一部分,A*算法是最常用的搜索算法,但是使用A*算法搜索出的路径的真实性常常不能让人满意。本文介绍A*搜索算法及存在的路径问题,针对该算法在游戏中暴露的问题,提出一种平滑改进的算法,较好地解决了这个问题。     

规则网格数字高程模型中基于距离与坡度的路径规划算法

针对A^*算法在数字高程模型（DEM）路径规划中的低效问题,提出一种基于距离与坡度的改进A^*寻路算法。该算法面向规则网格DEM,以距离和坡度作为路径搜索评估指标,设计新的评价函数,并以地表障碍评判路径的可通行性。在寻路过程中,根据实际场景DEM数据计算相匹配的参数,使得改进算法能自适应不同场景下DEM数据分辨率的变化;采用动态权值调整完备性函数和启发性函数对评价结果的影响,优化路径选择。仿真测试结果表明,改进算法能够通过参数调整适应DEM分辨率的变化,搜索出优化的路径,降低搜索时间,提高搜索效率。     

一种基于启发式搜索的跨域认证路径构建算法

针对跨域认证中存在域间与域内路径反复交替查找的特点,提出一种基于启发式搜索的AD*跨域认证路径构建算法。结合A*和D* 2种搜索方法,即在静态的域内查找认证路径时使用A*算法,在动态的域间使用D*算法。实验结果表明,该算法能在一定程度上避免路径查找的不确定性,有效提高跨域认证路径构造的速度。     

A＊算法改进算法及其应用

路径优化问题是现代生活和工作中的一个重要而复杂的问题,路径优化算法则是解决路径优化问题并推广应用路径优化问题的关键.在回顾Dijkstra算法和A*算法的基础上,提出了A*改进算法,并结合例子对算法求解过程进行说明.最后编程实现了Dijkstra算法、A*算法和A*改进算法,并对运行结果进行比较分析.     

基于Silverlight网页游戏的寻径优化算法

为了解决A*路径搜索算法在Silverlight网页游戏中的搜索费时和路径曲折等问题,在结合光线跨越算法和引入父结点指针的二叉堆存储开启列表的A*算法的基础上,提出了一种基于Silverlight网页游戏的寻径优化算法。该算法在现有研究的基础上使用光线跨越算法减小A*算法搜索规模,同时将动态关键点技术与光线跨越算法结合来优化算法返回的路径。将该算法在游戏所使用的网格地图中进行实验,实验结果表明,该算法能够有效地根据系统设定的通行条件寻找出一条最优的实际可行的路径,同时缩短寻路的时间消耗和所寻的路径长度,提高游戏的可玩性。     

基于A*的双向预处理改进搜索算法

本文针对传统A*算法存在冗余路径点较多与单向搜索耗时较长的缺点,提出了一种改进A*算法.该算法采用双向预处理结构减少冗余节点数,并通过归一化处理和增加节点标记信息进一步优化估价函数提高遍历速度.利用仿真软件对改进A*算法进行实验,并与其它经典路径规划算法进行比较.仿真结果表明,改进后的A*算法较于传统A*算法能以较低的搜索节点数和搜索时长较好的完成全局路径规划.     

基于机器视觉和A*算法的迷宫机器人路径规划

针对迷宫机器人路径规划问题,以机器视觉和A*算法为基础,提出了一种新的迷宫机器人全局路径规划方法。该方法利用区域阀值分割对迷宫机器人系统采集的图像进行分析,结合A*算法逆向搜索全局最优路径。仿真结果表明,该方法实现简单,在复杂的迷宫环境下能有效地实现迷宫机器人路径规划。     

基于启发式算法的路径规划

对路径规划中的最优路径选择算法进行了研究.目前广泛采用的A*最优路径规划算法,在实际的执行过程中容易陷入“死循环”,并且其找到的路径并非最优路径.为了提高最优路径规划的准确度和寻优速度,在分析了基本的A *算法的基础上,提出了一种双向A*递归算法,主要通过加入搜索方向因子,充分利用硬件资源和并行编程技术,克服原有A*算法的缺点.最后通过实验和对比证明,双向A *递归算法充分利用双核CPU并行工作的优势,结合并行算法设计,并改进了估价函数模型,大幅提高了算法的性能和运行效率,特别是在大规模路径图搜索的情况下,体现了它的实用性.     

基于改进A*算法的移动机器人路径规划研究

A*算法广泛应用于移动机器人路径规划中，而传统A*算法在寻路时，普遍存在搜索时间较长、效率低下等问题，因此，采用双向搜索的方式，对传统A*算法加以改进，该算法在路径规划过程中，可同时进行正反向路径搜索，同时采用正反向搜索交替机制，保证了最终目标节点搜索在连线中点区域内相遇，从而缩短了寻路计算时间。在MATLAB平台上，针对改进后的A*算法进行仿真实验，结果证明，双向A*算法减少了规划时间，且可生成最优路径。最后，将该算法应用到基于开源机器人操作系统的Turtlebot2移动平台上，进行现场实验，实验结果表明，双向A*算法减少了寻路计算时间，从而使得路径搜索效率得到显著提升，且规划路径合理，满足路径规划要求。     

非结构化场景下基于改进JPS算法的移动机器人路径规划

针对移动机器人在大范围非结构化场景下的路径规划问题,在改进跳点搜索(JPS)算法的基础上结合A*搜索,提出一种基于分层栅格地图的Jump A*(JA*)路径规划算法.该算法对三维点云地图进行栅格化分层处理,将环境信息划分为结构层与非结构层,并建立搜索策略切换规则,依据图层信息使用不同的搜索策略,从而有效减少计算量.为了验证JA*算法的有效性,在图层比例不同的三维地图中进行仿真,仿真结果表明,JA*算法相比于传统的A*算法遍历节点更少,搜索效率更高;相比于双向A*算法,具有更高的鲁棒性.最后将JA*算法应用在公开数据集中,实验结果表明,JA*算法能有效解决移动机器人在大范围非结构化场景下的路径规划问题.     

A*算法在游戏地图寻径中的应用与实现

寻径算法主要解决如何从图中寻找一条从起点到目标点的路径问题。本文分析了网络游戏中地图文件结构,比较了几种地图寻径算法,并重点介绍了一种典型的启发式搜索算法——A算法原理及其在游戏地图寻径中的具体实现方法。该算法简单、快捷,在实际应用中获得了较好的效果。     

双层优化A*算法与动态窗口法的动态路径规划

为满足动态环境中移动机器人既要动态避障抵到终点,又要尽可能地做到全局最优的路径规划需求,提出了一种双层优化A*算法与动态窗口法相结合的移动机器人路径规划算法。在传统A*算法求得的全局路径轨迹基础上,首先通过一层全局优化,计算路径节点间斜率,提取关键转折点,大幅度减少路径转折点数量;再通过二层全局优化,延长路径段求得路径交点,判断交点是否通过障碍物的方法,将路径转折点数降到最低;设计动态窗口法的轨迹评价函数,解决了机器人容易陷入“凹”“C”形障碍物的问题,同时保证了障碍物安全距离并选取全局最优的路径轨迹。最后分别在静态与动态的二维栅格地图中对传统A*算法、一层优化A*、二层优化A*以及融合算法进行仿真实验。实验结果表明一层优化A*算法大幅度降低了转折次数;二层优化A*算法将转折点数降到最低,但是路径长度小幅度增加;融合算法实现了机器人实时动态避障抵到终点,而且在保证安全距离的同时更加贴近全局最优规划。     

改进BIT*与DWA算法的动态路径规划

传统批通知树（batch informed trees,BIT*）算法结合了RRT*算法和A*算法的优势,但是该算法在复杂环境下无法躲避未知的动态障碍物,无法完成动态路径规划。针对该问题,提出了一种将改进的BIT*算法和改进的DWA算法相融合的算法。在传统BIT*算法的基础上对路径进行拉伸优化,提取关键转折点,减少路径长度;对传统DWA算法的距离评价函数进行改进、引入轨迹点评价函数,避免局部规划过分偏离,也减少了已知障碍物对路径的影响;将改进的BIT*算法与改进的DWA算法相融合,将提取的关键转折点作为DWA的中间目标点,弥补全局规划算法无法躲避动态障碍物的缺点以及局部规划算法全局能力低下的缺点。在动静态地图中对RRT*算法、BIT*算法、DWA算法、改进BIT*算法以及融合算法进行仿真实验,仿真结果表明：在复杂环境中,改进的BIT*算法具有更短的路径和更少的拐点;与传统的DWA算法相比,融合算法规划的路线更平滑,机器人既能实时动态避障抵达终点,又能更加贴近全局路径,保证路线全局最优。     

融合环境信息和运动约束的改进A*算法研究

标准A*算法存在着无法考虑移动机器人运动特性及处理后的路径不利于移动机器人运动等问题。针对这一问题提出了一种新改进A*算法,通过环境信息引入障碍物权重系数来改进算法的启发函数并进行全局路径规划;优化搜索节点的选取方式和设定障碍物与路径之间的安全距离;基于对移动机器人的运动特性的考虑优化其路径,并在不同环境地图中与其他算法进行仿真实验对比分析。相关实验表明：基于新改进A*算法规划的路径始终与障碍物保持一定的安全距离;改进A*算法在时间上相比标准A*算法平均减少了80%,路径长度平均减少了2%,路径转角平均降低了82%。改进后算法相比其他算法在时间、搜索节点以及平滑度上有很大的改进,融合机器人环境信息和运动特性的规划路径算法可为移动机器人的路径规划提供一种新的方法。     

A*算法在Shortest-Path方面的优化研究

在游戏和地理信息系统开发等领域中,专门针对最短路径搜索方面的优化研究较多,尤其是最短路径中启发式搜索算法中的A*算法的效率优化研究.本文将针对在人工智能或算法研究中的使用的地图大多数是基于任意图而不是网格图的状况,通过任意图与网格图及方向的相结合,提出了三种优化A*算法的启发式函数搜索策略,较好地减小了算法搜索的范围和规模,有效地提高了A*算法的运行效率.最后的实验结果显示,与传统的A*算法相比较,优化启发搜索策略后的A*算法寻径更快速,更准确,计算效率更高.     

融合改进A*与DWA算法的机器人动态路径规划

传统A*算法是移动机器人全局路径规划的常用算法之一,但是算法搜索效率低、规划路径转折点多、面对复杂环境中随机出现的动态障碍物无法实现动态路径规划。针对这些问题,在考虑全局最优的基础上将改进A*与DWA算法融合,量化环境中的障碍物信息,根据此信息调节A*算法启发函数的权重,提高算法的效率和灵活性。基于Floyd算法思想设计路径节点优化算法,删除冗余节点,减少转折,提高路径平滑度。基于全局最优设计DWA算法的动态窗口评价函数,用于区分已知障碍物和未知动态、静态障碍物,提取改进A*算法规划路径的关键点作为DWA算法的临时目标点,在全局最优的基础上实现了改进A*与DWA算法融合。实验结果表明,在复杂环境中,融合算法规划路径既能保证全局最优,又能及时有效地躲避环境中出现的动静态障碍物,实现复杂环境中的动态路径规划。     

用VC++实现基于A*算法的八数码问题

在人工智能领域中,八数码问题一直都是一个游戏难题。介绍了八数码问题,然后在启发式搜索算法上对A*算法定义进行了解释,并在其旨在提高搜索效率的方面作了比较详尽的介绍,详细描述了基于图搜索算法的解决此类问题的一种启发式搜索算法———A*算法。再依据这种算法用可视化编程语言VC 6.0来实现八数码问题的求解过程,取得了预期的搜索解,提高了搜索效率。     

应用于机器人路径规划的双向时效A*算法

针对时效A*算法为了大幅减少算法时间,导致路径规划长度增加和路径锯齿过多的问题,提出一种改进的双向时效A*算法,该方法将从起点和终点同时运行时效A*算法寻找路径,并采用多近邻栅格距离计算方案;同时,根据不同环境地图对传统A*算法、时效A*算法和双向时效A*算法运行结果进行对比研究及分析;最后,制定算法时间、路径长度两个指标来评判算法的优劣。实验结果显示,双向时效A*算法相对于传统A*算法,算法时间最大减少76.8%,相对于时效A*算法,时间最大减少55.4%,并解决了时效A*算法规划路径距离增加、路径不够平滑的问题。