AI算法是一种重要的启发式算法，主要用于选择两点之间的最佳路径，A的实现也通过评估函数实现
F=G + H
G代表从这一点到起点的成本
H是从此点到终点的曼哈顿距离。
F是G和H的和，最佳路径是选择最小的F值并进行下一步（更多详细信息将在后面描述）
曼哈顿距离
Paste_Image.png
上图中从熊到树叶的曼哈顿距离是由蓝线表示的距离，其中没有考虑障碍物。如果上图中每个框的长度为1，则此时熊的曼哈顿距离为9。
开始（X1，Y1），结束（X2，Y2），H=| X2-X1 | + | Y2-Y1 |
我们也可以通过几何坐标点来计算曼哈顿距离，或者以上图为例，左下角是（0,0）点，熊的位置是（1,4），树叶的位置是（7,1），则H=| 7-1 | + | 1-4 |=9。
打开，关闭列表
以上面的图片为例。例如，开始时，熊的位置将被添加到CLOSE列表中，熊可移动的点将被添加到OPEN列表中，熊周围的八个节点为F=G + An评估操作（例如H），然后在8个节点中选择F值最小的节点，然后从OPEN列表中删除该节点并将其添加到Close列表。从那时起，此节点8周围的每个节点都会执行评估操作，然后按顺序进行计算。因此，每个人可能都不太了解它。我将在下面详细解释。
*算法示例
Paste_Image.png
从头到尾，我们使用A-star算法找到最佳路径
Paste_Image.png
我们将每个正方形的长度定义为1，则从起点到5位置的成本为1，从3到1.4的成本为1.41。定义好之后，我们来看上图，然后计算
Paste_Image.png
第一步，我们将起点周围的点添加到“打开”列表中，然后执行评估操作。计算结果如上所示。在这里，您会看到一个指向起点的小箭头。此箭头指向父节点，并且打开列表G值是基于此计算的，这意味着我需要从前一个父节点运行到此点的总成本。如果点不相同，则G值不同。经过计算，我们在上图中找到了1个点。 F值为7.41，这是最小的值，因此我们选择此点并从OPEN列表中删除1点，然后将其添加到CLOSE列表中，但是当我们下降时，我们发现大约1点，2点和3要点如何应对三个出发点。首先，起点已添加到CLOSE，并且他不需要执行此操作。这是CLOSE列表的作用，我们还可以在2和3处对他执行操作。对于点的计算，当我们从1点移动到2点时，他需要的价格是G值将变为2.41， H值不会改变。 F=2.41 + 7=9.41。这个算法主要用于智能写作，我们发现此值大于原始F值，我们无法将其更改（将父节点指向1，并将F值更改为9.41，因为我们一直在努力使F值最小化），并且相同适用于3分。
如果您有互联网问题，也可以咨询我，谢谢！如果你也想一起学习人工智能，欢迎留言交流。