让我们考虑一个简单的网格，其中任何点与最多4个其他点（东北 - 西 - 南邻域）相连。
我必须编写程序，计算从所选初始点到任何目标点的最小路线，这些目标点是连接的（在任意两个目标之间存在由目标点组成的路线）。当然网格上可能存在障碍。
我的解决方案非常简单：我正在使用具有可变启发函数h（x）的A *算法 - 从x到最近目标点的曼哈顿距离。为了找到最接近的目标点，我必须进行线性搜索（在O（n）中，其中n - 目标点数）。这是我的问题：是否有更有效的解决方案（启发式函数）来动态找到最近的目标点（时间＆lt; O（n））？
或许A *不是解决这个问题的好方法吗？
答案 0 :(得分：7)
有多少个目标，几十个或几千个？如果您的方式可以正常工作，那么如果成千上万，那么nearest neighbor search将为您提供有关设置数据以便快速搜索的建议。
权衡是显而易见的，空间组织您的数据进行搜索将需要时间，而在小型集合上，暴力更容易维护。由于您经常进行评估，我认为在非常低的点数下构建数据是值得的。
另一种方法是修改洪水填充算法，该算法在洪水期间到达目的地点时停止。
答案 1 :(得分：1)
首先，决定是否需要进行优化，因为任何优化都会使代码复杂化，而对于少数目标，您当前的解决方案可能适用于像曼哈顿距离这样的简单启发式。
在迈出第一步之前，计算每个目标的启发式算法。记住最近的目标作为当前选择的目标，然后朝着它移动，但是从所有其他距离中减去朝向任何目标的最大可能进度。您可以将此第二个值视为“元启发式”;它是对其他目标的启发式的乐观估计。
在后续步骤中，计算当前目标的启发式算法，以及任何小于或等于启发式的“元启发式”目标。其他目标不可能有更好的启发式，因此您不需要计算它们。最近的目标成为新的目标;走向它，从其他人中减去最大可能的进展。重复直到你到达目标。
答案 2 :(得分：0)
使用Dijkstra的算法，该算法输出所有可到达点的最小成本。然后你只需从输出中选择目标点。
答案 3 :(得分：0)
你可以考虑this article如果你的目标不是太多并且想要简单的方法
<块引用>如果要搜索多个目标中的任何一个，请构建启发式 h'(x) 是 h1(x), h2(x), h3(x), ... 的最小值，其中 h1, h2, h3 是对附近每个点的启发式。
一种思考方式是我们可以添加一个新的零成本优势 从每个目标到一个新的图节点。新节点的路径 必定会经过其中一个目标节点。
如果您想搜索所有多个目标的路径，您最好 选项可能是 Dijkstra 算法，当您找到所有 目标。可能有 A* 的变体可以计算这些 路径；我不知道。
如果您想搜索单个目标附近的位置，请使用 A* 搜索 找到通往目标区域中心的路径。处理节点时 从 OPEN 集合中，当你拉一个足够近的节点时退出。