A*（A-Star)算法是一种静态路网中求解最短路最有效的方法。
　　公式表示为： f(n)=g(n)+h(n),
　　其中f(n) 是节点n从初始点到目标点的估价函数，
　　g(n) 是在状态空间中从初始节点到n节点的实际代价，
　　h(n)是从n到目标节点最佳路径的估计代价。
　　保证找到最短路径（最优解的）条件，关键在于估价函数h(n)的选取：
　　估价值h(n)<= n到目标节点的距离实际值，这种情况下，搜索的点数多，搜索范围大，效率低。但能得到最优解。
　　如果 估价值>实际值, 搜索的点数少，搜索范围小，效率高，但不能保证得到最优解。
　　估价值与实际值越接近，估价函数取得就越好。
　　例如对于几何路网来说，可以取两节点间欧几理德距离（直线距离）做为估价值，即f=g(n)+sqrt((dx-nx)*(dx-nx)+(dy-ny)*(dy-ny))；这样估价函数f在g值一定的情况下，会或多或少的受估价值h的制约，节点距目标点近，h值小，f值相对就小，能保证最短路的搜索向终点的方向进行。明显优于Dijstra算法的毫无无方向的向四周搜索。
　　conditions of heuristic
　　Optimistic (must be less than or equal to the real cost)
　　As close to the real cost as possible
　　主要搜索过程：
　　创建两个表，OPEN表保存所有已生成而未考察的节点，CLOSED表中记录已访问过的节点。
　　遍历当前节点的各个节点，将n节点放入CLOSE中，取n节点的子节点X,->算X的估价值->
　　While(OPEN!=NULL)
　　{
　　从OPEN表中取估价值f最小的节点n;
　　if(n节点==目标节点) break;
　　else
　　{
　　if(X in OPEN) 比较两个X的估价值f //注意是同一个节点的两个不同路径的估价值
　　if( X的估价值小于OPEN表的估价值 )
　　更新OPEN表中的估价值; //取最小路径的估价值
　　if(X in CLOSE) 比较两个X的估价值 //注意是同一个节点的两个不同路径的估价值
　　if( X的估价值小于CLOSE表的估价值 )
　　更新CLOSE表中的估价值; 把X节点放入OPEN //取最小路径的估价值
　　if(X not in both)
　　求X的估价值;
　　并将X插入OPEN表中; //还没有排序
　　}
　　将n节点插入CLOSE表中;
　　按照估价值将OPEN表中的节点排序; //实际上是比较OPEN表内节点f的大小，从最小路径的节点向下进行。
　　启发式搜索其实有很多的算法，比如：局部择优搜索法、最好优先搜索法等等。当然A*也是。这些算法都使用了启发函数，但在具体的选取最佳搜索节点时的策略不同。象局
　　部择优搜索法，就是在搜索的过程中选取“最佳节点”后舍弃其他的兄弟节点，父亲节点，而一直得搜索下去。这种搜索的结果很明显，由于舍弃了其他的节点，可能也把最好的
　　节点都舍弃了，因为求解的最佳节点只是在该阶段的最佳并不一定是全局的最佳。最好优先就聪明多了，他在搜索时，便没有舍弃节点（除非该节点是死节点），在每一步的估价
　　中都把当前的节点和以前的节点的估价值比较得到一个“最佳的节点”。这样可以有效的防止“最佳节点”的丢失。那么A*算法又是一种什么样的算法呢？其实A*算法也是一种最
　　好优先的算法。只不过要加上一些约束条件罢了。由于在一些问题求解时，我们希望能够求解出状态空间搜索的最短路径，也就是用最快的方法求解问题，A*就是干这种事情的！
　　我们先下个定义，如果一个估价函数可以找出最短的路径，我们称之为可采纳性。A*算法是一个可采纳的最好优先算法。A*算法的估价函数可表示为：
　　f'(n) = g'(n) + h'(n)
　　这里，f'(n)是估价函数，g'(n)是起点到终点的最短路径值，h'(n)是n到目标的最断路经的启发值。由于这个f'(n)其实是无法预先知道的，所以我们用前面的估价函数f(n)做
　　近似。g(n)代替g'(n)，但 g(n)>=g'(n)才可（大多数情况下都是满足的，可以不用考虑），h(n)代替h'(n)，但h(n)<=h'(n)才可（这一点特别的重要）。可以证明应用这样的估价
　　函数是可以找到最短路径的，也就是可采纳的。我们说应用这种估价函数的最好优先算法就是A*算法。哈。你懂了吗？肯定没懂。接着看。
　　举一个例子，其实广度优先算法就是A*算法的特例。其中g(n)是节点所在的层数，h(n)=0，这种h(n)肯定小于h'(n)，所以由前述可知广度优先算法是一种可采纳的。实际也是
　　。当然它是一种最臭的A*算法。
　　再说一个问题，就是有关h(n)启发函数的信息性。h(n)的信息性通俗点说其实就是在估计一个节点的值时的约束条件，如果信息越多或约束条件越多则排除的节点就越多，估价函
　　数越好或说这个算法越好。这就是为什么广度优先算法的那么臭的原因了，谁叫它的h(n)=0，一点启发信息都没有。但在游戏开发中由于实时性的问题，h(n)的信息越多，它的计
　　算量就越大，耗费的时间就越多。就应该适当的减小h(n)的信息，即减小约束条件。但算法的准确性就差了，这里就有一个平衡的问题。
　　}
今天做了一个游戏模拟题，看着题牛X的我问pip说：能不能用A*，谁知道他更猛。500个点不值得用。。。。。。无语，结果我的处女A*无疾而终，只好写了个普搜水过去了。。。。。，搞了一个pip推荐的dp无语还是脑残，居然那么就才想到。。。。。。。。。