问题是找到一架通过四维风的飞机的最佳路线（不同高度的风和随着行程而变化的风（预测风模型））。
我使用了传统的A *搜索算法并将其破解，使其在3维和风矢量下工作。
它可以在很多情况下工作但速度非常慢（即时处理大量数据节点）并且对某些边缘情况不起作用。
我觉得我已经“很好”地工作了，但它感觉非常黑了。
通过这样的数据（可能是遗传算法或神经网络）或者我甚至没有考虑过的东西，是否有更好的方法来寻找路径？也许流体动力学？我不知道？
编辑：进一步的细节。
数据是风向量（方向，幅度）。 数据在25个不同的高度水平上间隔15x15km。
通过“并不总是工作”我的意思是它会为飞机选择一条愚蠢的路径，因为路径权重与另一条路径相同。它很适合寻找路径，但对于飞机来说是次优的。
我为每个节点更改考虑了很多因素：
我使用欧氏距离作为我的启发式或H值。 我使用各种因素来衡量我的体重或G值（上面的清单）。
谢谢！
答案 0 :(得分：1)
A *并未被宣传为最快的搜索算法;它确实保证了它找到的第一个解决方案是最好的（假设你提供了一个可接受的启发式算法）。如果你的某些案例没有工作，那么你实施的某些方面就有问题（可能是A *的机制，也许是特定领域的东西;如果你没有提供任何细节，不能说更多）。
如果速度太慢，您可能需要重新考虑正在使用的启发式方法。
如果您不需要最佳解决方案，那么其他一些技术可能更合适。再说一次，鉴于你提供的问题很少，很难说更多。
答案 1 :(得分：1)
使用weighted A*可以随时取消时间优化。
加权A * [或A * epsilon]，预计会找到比A *更快的路径，但路径不会是最佳的[但是，它会给你一个最佳性的界限，作为你的epsilon的一个参数/重量]。
答案 2 :(得分：0)
您计划离线还是在线？
通常对于这些问题，在实际飞过它们之前，你不知道风是什么。如果这确实是一个在线问题，您可能需要考虑尝试构建近乎最优的策略。在这个领域已经进行了大量的研究，其中最好的是John Wharington的“通过强化学习自主控制飙升飞机”。