标签：遍历 -- 机器人 深蓝 笔记 Dijkstra 从零开始 搜索 节点
图搜索基础
- 图搜索基础
- 迪杰斯特拉和A星(Dijkstra and A*)
- 点跳转搜索(Jump Point Search)
图搜索基础
配置空间
- 机器人配置：指向机器人所有点的位置的大小
- 机器人自由度(DOF)：最少真实坐标n需要的大概机器人配置
- 机器人配置空间：一个未知n大小包含所有机器人能配置的空间，表示为C-space
- 每个机器人都在C-space中变换成一个点
配置空间障碍物
膨胀障碍物大小，将机器人的大小膨胀到障碍物上，来实现将机器人在C-space中变换成一个点
实际空间和配置空间障碍物
- 实际空间中机器人有形状和大小
- 配置空间C-space中机器人是一个点，在运动规划前障碍物就已经在C-space中生成
- 在C-space中模拟障碍物可能比实际障碍物更复杂，这样就可以在实践中使用
图搜索方法
- 首先要创建一棵图搜索树
- 在通过结点之间的关系，来找到目的结点
图遍历
图有两种遍历方法：广度优先遍历（BFS）、深度优先遍历（DFS）
广度优先遍历使用的是队列，深度优先遍历使用的是栈（具体可以在数据结构中了解更详细的内容）
Heuristic Search(启发式搜索)
贪心优先搜索（Greedy Best First Search）
启发式搜索就是一种与目标位置距离远近检测的条件
行动成本（Cost on Actions）
在移动过程中，一个节点到另一个节点有一个成本“C”
Dijkstra and A*(迪杰斯特拉和 A星)
算法流程
Dijkstra’s Algorithm：
代价函数值最小的节点优先遍历
遍历如下路径：
一步步遍历过后如图：
比较关键的点是g(n)的值是叠加的，这样是为了能够当遇到障碍物较多的路径时，能够走出一条更优的路径
在地图的仿真中Dijkstra的效果如图
类似于同心圆的搜索
A*
所以只要时间足够长的情况下，使用Dijkstra就一定能够找出一条最优的路径来。耗时长也是Dijkstra的缺点，在添加了启发式函数之后效果如图
以上效果图都来自于PathFinding.js (qiao.github.io)网站。
可以明显看出，当添加了启发式函数之后，也就是贪心算法，搜索有了更明确的方向性。
Dijkstra的代价函数是到相邻节点的距离，而A*的代价函数则是在Dijkstra之上添加了启发式函数（Heuristic）
从开始状态到目标状态通过节点的最小估计成本f(n) = g(n) + h(n)
启发式函数h(n)常用的是曼哈顿距离、欧氏距离
代码流程：
--维护一个优先级队列来存储所有要扩展的节点（openlist、closelist）
--设置启发式函数h(n)
--初始化起点
--设置g(Xs) = 0,其他节点g(n) = 无穷大
--循环
--如果队列为空，返回false，break
--从openlist里删除f(n) = g(n) + h(n)最小的节点"n"
--把"n"加入closelist
--如果"n"是目标节点，返回true,break
--对于节点"n"不在closelist里的邻居"m"
--如果g(m)无限大
--g(m) = g(n) + Cnm
--将"m"推入队列
--如果g(m) > g(n) + Cnm
g(m) = g(n) + Cnm
--结束循环
标签：遍历,--,机器人,深蓝,笔记,Dijkstra,从零开始,搜索,节点 来源： https://blog.csdn.net/OutsiderMing/article/details/122093779
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。