A*算法python简单可视化实现

A*算法详解：

A*算法详解

python实现:

使用堆优化加快查找最小代价点
详细流程都写在注释里了

使用方法：

# 参数为地图高、宽、方格尺寸、起点坐标（0开始）、终点坐标（0开始）、延迟时间
demo = MiniMap(20, 30, 30, (0, 0), (29, 19), 0.05)

鼠标左键单击方格添加/删除障碍物，中键重置路径（不改变障碍物），右键开始寻路。
其中黑色为障碍物，灰色为closelist中的点，黄色为openlist中的点，橙色为结果路径

代码：

# -*- coding: utf-8 -*-
from tkinter import *
import enum
import heapq
import time
import _threadclass PointState(enum.Enum):# 障碍物BARRIER = 'black'# 未使用UNUSED = 'white'# 在open list的方格OPEN = 'gold'# 在close list的方格CLOSED = 'darkgray'# 路径PATH = 'orangered'class MiniMap:class Point:def __init__(self, x, y, f, g, father, state, rectangle):# x坐标self.x = x# y坐标self.y = y# f = g + h, h为预估代价，这里使用曼哈顿距离self.f = f# 从寻路起点到这个点的代价self.g = g# 父节点self.father = father# 当前点状态self.state = state# 当前点对应画布上的矩形self.rectangle = rectangle# 重写比较，方便堆排序def __lt__(self, other):if self.f < other.f:return Trueelse:return Falsedef __init__(self, *args):# 高self.height = args[0]# 宽self.width = args[1]# 方格尺寸self.size = args[2]# 起点self.start = args[3]# 终点self.end = args[4]# 每次绘制的延迟时间self.delay = args[5]self.root = Tk()self.root.title('navigation')self.canvas = Canvas(self.root, width=self.width * self.size + 3, height=self.height * self.size + 3)# 生成方格集合self.points = self.generatePoints()# 生成网格self.generateMesh()self.canvas.bind('<Button-1>', self.createBarrier)self.canvas.bind('<Button-2>', self.cleanMap)self.canvas.bind('<Button-3>', self.navigation)self.canvas.pack(side=TOP, expand=YES, fill=BOTH)self.root.resizable(False, False)self.root.mainloop()def generatePoints(self):"""初始化绘制用的方格集合设置每个方格的状态和对应的矩形"""points = [[self.Point(x, y, 0, 0, None, PointState.UNUSED.value,self.canvas.create_rectangle((x * self.size + 3, y * self.size + 3),((x + 1) * self.size + 3, (y + 1) * self.size + 3),fill=PointState.UNUSED.value)) for y in range(self.height)]for x in range(self.width)]return pointsdef generateMesh(self):"""绘制网格"""for i in range(self.height + 1):self.canvas.create_line((3, i * self.size + 3), (self.width * self.size + 3, i * self.size + 3))for i in range(self.width + 1):self.canvas.create_line((i * self.size + 3, 3), (i * self.size + 3, self.height * self.size + 3))def createBarrier(self, event):"""设置障碍/移除障碍通过鼠标点击位置更改对应方格的状态"""x = int((event.x + 3) / self.size)y = int((event.y + 3) / self.size)if x < self.width and y < self.height:if self.points[x][y].state == PointState.BARRIER.value:self.changeState(self.points[x][y], PointState.UNUSED.value)else:self.changeState(self.points[x][y], PointState.BARRIER.value)def cleanMap(self, event):"""清空画布"""for i in range(self.width):for j in range(self.height):# 不清空障碍物（因为太难点了），不需要此功能则去掉判断if self.points[i][j].state != PointState.BARRIER.value:self.changeState(self.points[i][j], PointState.UNUSED.value)def navigation(self, event):"""新开一个线程调用寻路函数"""_thread.start_new_thread(self.generatePath, (self.start, self.end))def changeState(self, point, state):"""修改某一point的状态"""point.state = stateself.canvas.itemconfig(point.rectangle, fill=state)def generatePath(self, start, end):"""开始寻路"""xStart = start[0]yStart = start[1]xEnd = end[0]yEnd = end[1]# 用最小堆存点，使每次取出的点都预估代价最小heap = []# 两个set用于查找，存储坐标的二元组close_list = set()open_list = set()# 将起点加入open list,每格距离设置为10，是为了使斜着走时距离设置为14，方便计算heapq.heappush(heap, self.points[xStart][yStart])open_list.add((xStart, yStart))# 寻路循环while 1:# 从open list中取出代价最小点pMin = heapq.heappop(heap)open_list.remove((pMin.x, pMin.y))# 将这个点放入close list中close_list.add((pMin.x, pMin.y))self.changeState(self.points[pMin.x][pMin.y], PointState.CLOSED.value)# 遍历八个方向for i in range(-1, 2):for j in range(-1, 2):if i == 0 and j == 0:continue# 当前要判断的点的坐标xCur = pMin.x + iyCur = pMin.y + j# 如果这个点越界则跳过if xCur >= self.width or xCur < 0 or yCur >= self.height or yCur < 0:continuepCur = self.points[xCur][yCur]# 这个点是否在pMin的非正方向（即四个角落）isCorner = i != 0 and j != 0if isCorner:# 如果将要判断的斜角方向被阻挡则跳过（如将要判断东南方向，若东方或南方被阻挡，则跳过）if self.points[xCur][pMin.y].state == PointState.BARRIER.value or \self.points[pMin.x][yCur].state == PointState.BARRIER.value:continue# 如果在close list中出现或该点为障碍物则跳过判断if (xCur, yCur) not in close_list and self.points[xCur][yCur].state != PointState.BARRIER.value:# 如果在open list中if (xCur, yCur) in open_list:# 如果通过起点到pMin再到pCur的代价比起点到pCur的代价小，则更新pCur的代价，将pMin设置为pCur的父节点if ((14 if isCorner else 10) + pMin.g) < pCur.g:# 如果在角落，则pMin到pCur的代价为14，否则为10pCur.g = pMin.g + (14 if isCorner else 10)pCur.f = pCur.g + 10 * (abs(xEnd - xCur) + abs(yEnd - yCur))pCur.father = pMin# 如果不在open list中，则代表这个点第一次被访问，直接将pMin设置为pCur的父节点else:# 如果在角落，则pMin到pCur的代价为14，否则为10pCur.g = pMin.g + (14 if isCorner else 10)pCur.f = pCur.g + 10 * (abs(xEnd - xCur) + abs(yEnd - yCur))pCur.father = pMinself.changeState(pCur, PointState.OPEN.value)# 将这个点加入open listopen_list.add((xCur, yCur))heapq.heappush(heap, pCur)# 检测是否寻路完成if (xEnd, yEnd) in open_list:pNext = self.points[xEnd][yEnd]self.changeState(pNext, PointState.PATH.value)while pNext.father:pNext = pNext.fatherself.changeState(self.points[pNext.x][pNext.y], PointState.PATH.value)break# 如果寻路不完成但open list长度为0，则没有可达路径if len(open_list) == 0:print('Unreachable!')break# 等待绘制time.sleep(self.delay)# 参数为地图高、宽、方格尺寸、起点坐标（0开始）、终点坐标（0开始）、延迟时间
demo = MiniMap(20, 30, 30, (0, 0), (29, 19), 0.05)

A*算法python可视化实现相关推荐

我用 Python 3分钟实现9种经典排序算法的可视化
导读:最近在某网站上看到一个视频,是关于排序算法的可视化的,看着挺有意思的,也特别喜感. 不知道作者是怎么做的,但是突然很想自己实现一遍,而且用python实现特别快,花了一天的时间,完成了这个项目. ...
快速修改数组的某个值_我用Python，3分钟快速实现，9种经典排序算法的可视化...
最近在某网站上看到一个视频,是关于排序算法的可视化的,看着挺有意思的,也特别喜感. ▼ 6分钟演示15种排序算法 https://v.qq.com/x/page/t0396emm8oy.html 不知 ...
3分钟快速实现：9种经典排序算法的可视化
作者 | 爱笑的眼睛来源 | 恋习Python(ID:sldata2017) 最近在某网站上看到一个视频,是关于排序算法的可视化的,看着挺有意思的,也特别喜感. ▼ 6分钟演示15种排序算法不知道 ...
2021-03-15 数据挖掘算法—K-Means算法 Python版本
数据挖掘算法-K-Means算法 Python版本简介又叫K-均值算法,是非监督学习中的聚类算法. 基本思想 k-means算法比较简单.在k-means算法中,用cluster来表示簇:容易证明 ...
最优化算法python实现篇（4）——无约束多维极值（梯度下降法）
最优化算法python实现篇(4)--无约束多维极值(梯度下降法) 摘要算法简介注意事项算法适用性 python实现实例运行结果算法过程可视化摘要本文介绍了多维无约束极值优化算法中的梯度 ...
Python可视化：Seaborn（二）
本文由保一雄@科赛网数据分析师原创. Seaborn是一个很棒的可视化库,尤其是当数据维度很大时,它可以让我们用最少的代码去绘制一些描述性统计的图,便于找寻各维度变量之间的特征. 继上篇Pyth ...
探索性数据分析，这8个流行的 Python可视化工具就够了
来源 / 机器之心作者 / Aaron Frederick 参与 / 李诗萌.王淑婷 Matplotlib.Seaborn 和 Pandas ggplot(2) Bokeh Plotly Pyga ...
决策算法python_GitHub - nxety/MachineLearning_Python: 机器学习算法python实现
机器学习算法Python实现目录 1.代价函数其中: 下面就是要求出theta,使代价最小,即代表我们拟合出来的方程距离真实值最近共有m条数据,其中代表我们要拟合出来的方程到真实值距离的平方,平 ...
数据结构与算法 python版之递归三定律
#数据结构与算法 python版之谢尔宾斯基三角形 , 树叉 1.为了向阿西莫夫的"机器人三定律"直径,递归算法也总结出"三定律" 1递归算法必须有一个基本 ...

A*算法python可视化实现

A*算法python简单可视化实现

A*算法详解：

python实现:

使用方法：

代码：

A*算法python可视化实现相关推荐

最新文章

热门文章