迷宫寻路算法(明日方舟寻路算法)

迷宫寻路算法(明日方舟寻路算法),本文通过数据整理汇集了迷宫寻路算法(明日方舟寻路算法)相关信息，下面一起看看。

这一部分相当不完整。

一般的图搜索算法可以用于路径查找。许多算法教科书描述了不使用启发式算法的图搜索算法(宽度优先搜索、深度优先搜索、Dijkstra算法)。阅读它们可能有助于你理解A*，它是Dijkstra的变体。很多AI教材都会介绍使用启发式算法的图搜索算法(最佳优先搜索，A*)。

非图搜索算法请参考John Lonningdal的网页(via Wayback Machine，因为他的网站已经停止运行)。

要查看A*是最佳的证明，请参考最低成本路径的启发式确定的形式基础。

要在找到路径后进一步了解单位运动，请参阅波廷杰关于单位运动和群体运动的文章。克雷格雷诺关于转向和群集的页面也非常值得推荐。杰夫豪兰有一篇关于团队运动的好文章。

基于网格的寻路竞赛(alternative link)的结果论文描述了运行在未加权网格上的A*优化：收缩层次结构、子目标图、跳跃点搜索、可见性图、压缩路径数据库等。

Patrick Lester有一页描述了两级探路者。分层规划A* (HPA*)可以将网格表示转换为简化图。

基于间隙的寻路可以根据图形中对象的大小来标注图形。如果你想让小单位能够通过一个区域，而大单位被阻挡，这是很有用的。

有一篇有趣的论文描述了如何找到最简单的路径而不是最短的路径。

这个StackOverflow问题包括A*的许多变体的汇总。

三角化A*使用三角形将多边形障碍表示转换为导航网格，三角化归约A*通过删除节点来简化生成的寻路地图。

下面是一些我还没有分类的其他论文：

实时启发式搜索用额外的数据增强了A*和其他算法，以加速寻路。

搜索边以一次查看大量节点(边或边界)。它们大大降低了处理每个节点的成本。*一次排序一个节点(从集合中插入和删除，或者两者都有)，批量排序更快。但是更快根本不是排序。在边搜索正在处理的那批节点中，不需要排序。缺点是你要处理更多的节点，有时候不止一次。但是，如果您能够使处理它们的成本非常低，那么处理大量节点是没问题的。

收缩层次(长论文)通过添加快捷边可以更快的找到路径。相关工作部分也是很好的阅读，总结了地标、弧形标志、交通节点、高速公路等级等方法的A*改进。

弧形符号(自我注释：这里需要一个更好的链接)限制了在主寻路循环中延伸的边集。首先将世界划分为区域，然后预先计算哪些边是到每个区域的最短路径的一部分。不要查看邻居的所有边，只需查看作为到目标区域的最短路径的一部分的边。史蒂夫拉宾称这种方法为“目标边界”。

偏移成本路由改变其他单元将移动的区域的移动成本，以便后续路径可以避免与这些单元碰撞。

并行波纹搜索是为多核寻路设计的，不存在A*的排序瓶颈。

走廊地图是一种构建寻路地图的方法，可以大大减少节点数量，尤其是在有很多走廊的地图中。

探索地图时学习实时A*来更新启发式。优先学习实时A*优先学习搜索，有利于学习更多领域。

A *用六边形网格比用正方形网格好(！)跑得更快。

压缩路径数据库测试网格上所有最短路径(Floyd-Warshall或Johnson算法)的压缩效果。适用于使用格网且地图未更改的情况；我怀疑你最好先缩小图形尺寸。

概率路线图(PRM)从多边形障碍地图构建一个寻路地图。

这个网站是个人知识管理的网络存储空间。所有内容均由用户发布，不代表本站观点。请注意甄别内容中的联系方式、诱导购买等信息，谨防诈骗。如发现有害或侵权内容，请一键举报。

更多迷宫寻路算法(明日方舟寻路算法)相关信息请关注本站，本文仅仅做为展示！