路线搜索(搜索路线地图)

前沿拓展：

路线搜索

您可以直接搜索到目的地，第二点击该位置，选择搜索附近，第二选择酒店即可。在搜索到的结果中，选择投取衡矛向破常志川你想要去的酒店，第二直接导航前去即可。

我们不论在游戏还是在机器人中，经常会碰到各种路径搜索算法，或者说最短路径查找，这里做个小结。我们第一要从经典的广度优先BFS和深度优先DFS说起。

不过很多地方都会用到openlist，closelist两个表，这里做个说明，open表里面放的是待扩展节点，close表里面放的是已经扩展过的节点，通常就是一个没有搜索过的节点会先放如open表中，后面从open表中将其取出进行扩展，第二丢到close表中。

DFS深度优先搜索

这种搜索算法算是最简单的，将open表当作栈使用，将A点入栈，第二从栈顶取出一个元素x，扩展其邻域，将合规的邻域节点放入open栈中，将x丢到close表中，直到x是是终点才退出

合规的判定比较简单，一般来说就是没有搜索过的节点，即不在close表中，也不在open表中

一句话形象概括的话，就是满屏都是食物的一条贪食蛇，每吃一格食物就增长一节，从A爬到B，就胜利了。

贪心算法

DFS的缺点是取邻域中，随意一个节点进行扩展。如果我们人为加入一个预估模型，预估到终点的距离，这样就可以取邻域中离终点最近的节点进行扩展，形成贪心搜索。

预估模型是人为加入的，常用的如曼哈顿距离。这种人为加入模型影响搜索的方式又被称为启发式搜索，加入的预估模型被称为启发函数，它能根据当前位置得到一个启发值，指导后续路径的选择

BFS广度优先

这种搜索算法也比较简单，将open表当作队列使用，将A点加入队列尾部，第二从队列头部取出一个元素x，扩展其邻域，将合规的邻域节点放入open队列中，将x丢到close表中，直到x是终点才退出

实际上和DFS很相似，只不过DFS用的是后进先出的栈，由于最后进入的都是该节点的邻域，所以出来的也是邻域节点。而BFS使用的是先进先出队列，比如最早进去的是A的四个邻域，取出一个邻域扩展后又丢进队列，但是下一个取出的还是A的某个邻域点，只有该组邻域点都拿完才能轮到下一组。

一句话形容的话，就是从A点开始像浸水一样，沿着四面八方扩展，直到找到B点

Dijkstra

迪克斯特拉也比较简单，理解了BFS，基本上也就理解了Dijkstra，也可以说它是BFS的扩展：

将A点放入open表，第二从open表中取出离A点最近的位置x，进行邻域扩展，第二将合规的邻域节点丢入open表中，第二将x丢入close表

实际上，如果节点和其邻域节点的距离是固定常数，Dijkstra便退化为了BFS，若不是固定常数，则有细微差异，BFS是直接默认相邻节点距离相等，而Dijkstra则需要判断：

若x的邻域节点P已经在open表中，且x到A的距离 + x到邻域点P的距离 ＞ P到A的距离，则重新更新P的距离。

此外，合规的判定和之前一致，即未搜索过的点即合规，即不在open和close表中

A* 算法

A star算法也是比较常见的算法，它也是在Dijkstra的基础上，引入一个人为的AB距离估计模型：f（x）=g（x）+h（x）

启发函数f(x)由两部分构成，g(x)是位置x到起点A的距离，h(x)是位置x到终点B的距离。其中只有h(x)项是预估项，或者说启发项。

A* 算法和Dijkstra相似，只不过Dijkstra中只有g(x)这一项，而A*引入了预估项h(x)，其余和Dijkstra基本一样，将A点放入open表，第二从open表中取出f(x)最小的位置x，进行邻域扩展，第二将合规的邻域节点丢入open表中，第二将x丢入close表

D*算法

又称为动态A* 算法，它用了一个更为先进的预估模型，它的预估项h(x)是通过反向Dijkstra得到的。

首次它便使用Dijkstra进行反向搜索，从B开始，直到搜索到了A，并记录各点x到B的距离为h(x)，在A*中，我们的启发函数是f（x）=g（x）+h（x），由于h(x)是准确的测量，假设机器人走到位置x，第二检查所有合规邻域y，由于的g(y)都相等g(y)=g(x)+1，所以找f(y)=g(y)+h(y)最小等价于找h(y)最小。在算法中我们将所有h(y)记为k(y)，这样从f(y)最小演变为找k(y)最小

实际上，D* 算法用在机器人实时寻路上，比如当前位置是A，目的地是B，最开始实际上找的是A到B的最短路径，当机器人走到位置x=A+1时，实际上机器人要寻找的是当前位置x到B的最短路径，所以才有所有邻域y到x的距离g(y)=1，找f（y）=g（y）+h（y）最小等价于找h(y)最小，这便是所谓动态A*的动态之处：将A到B的最短路径变成当前位置x到离B最近的邻域y的最短路径

用反向Dijkstra计算出h(x)预估后，从当前位置x开始，取出邻域中k(y)最小的位置y，第二机器人移动到y，当前位置x=y，开启下一轮搜索

但是如果发现路径上有新的障碍点了，则需要重新更新受到影响的点的距离，所谓受到影响也就是父节点为障碍物的节点。第二使用一些算法更新那些受到影响的预估h(x)值即可。

即令属于新增障碍物的所有位置o的h(o)=∞，并将其邻域受到影响的点的h值也标为∞，放入open表，直到影响扩散至机器人当前位置x

受到影响的点分两种情况：在障碍物中间（C在**位置）、在障碍物边缘（C在橙色位置）

受到障碍影响的点，h值处于上升状态，判断标准即 k(x)<h(x)，**点的邻域节点y若未受到影响即：h(y)<=k(y)，且可以降低其h值：h(y)+c(x,y)<h(x) ，则将y点作为其父节点并更新其h值

实际上也就是取**点集里，按k值从小到大进行邻域扩展，更新h值。更新完该**点后，最靠近该点那个橙色点又将变成了**点

更新h后，对当前节点进行搜索邻域，进行后续的传播扩展。这里就不详细介绍了。

拓展知识：

路线搜索

使用百度地图查询出现路线的方法如下：
打开百度浏览器，第二在百度首页选中“地图”。如下所示：
点击“地图”，即可进入百度地图首页。如下图所示：
进入百度地图的首页后，可以看到搜索栏底下有三个功能：搜索、公交、驾车；左侧则是一些常见的餐饮等。
搜索目的地，查看周围环境和交通状况。
搜索出来后可以看到左侧栏目是标记地点的符号，右侧是搜索地点的放大地图，左侧的标记符号在右侧的地点会看到具体的标记位置。
点击标记点后，会弹出信息窗口，详细介绍标记点的地点名称和相关信息以及附上图片。
在搜索拦下，点击公交，即可进行两个地点的公交路线搜索查询，并在地图显示出来。这时就有了出行路线。

前沿拓展：

路线搜索

您可以直接搜索到目的地，第二点击该位置，选择搜索附近，第二选择酒店即可。在搜索到的结果中，选择投取衡矛向破常志川你想要去的酒店，第二直接导航前去即可。

我们不论在游戏还是在机器人中，经常会碰到各种路径搜索算法，或者说最短路径查找，这里做个小结。我们第一要从经典的广度优先BFS和深度优先DFS说起。

不过很多地方都会用到openlist，closelist两个表，这里做个说明，open表里面放的是待扩展节点，close表里面放的是已经扩展过的节点，通常就是一个没有搜索过的节点会先放如open表中，后面从open表中将其取出进行扩展，第二丢到close表中。

DFS深度优先搜索

这种搜索算法算是最简单的，将open表当作栈使用，将A点入栈，第二从栈顶取出一个元素x，扩展其邻域，将合规的邻域节点放入open栈中，将x丢到close表中，直到x是是终点才退出

合规的判定比较简单，一般来说就是没有搜索过的节点，即不在close表中，也不在open表中

一句话形象概括的话，就是满屏都是食物的一条贪食蛇，每吃一格食物就增长一节，从A爬到B，就胜利了。

贪心算法

DFS的缺点是取邻域中，随意一个节点进行扩展。如果我们人为加入一个预估模型，预估到终点的距离，这样就可以取邻域中离终点最近的节点进行扩展，形成贪心搜索。

预估模型是人为加入的，常用的如曼哈顿距离。这种人为加入模型影响搜索的方式又被称为启发式搜索，加入的预估模型被称为启发函数，它能根据当前位置得到一个启发值，指导后续路径的选择

BFS广度优先

这种搜索算法也比较简单，将open表当作队列使用，将A点加入队列尾部，第二从队列头部取出一个元素x，扩展其邻域，将合规的邻域节点放入open队列中，将x丢到close表中，直到x是终点才退出

实际上和DFS很相似，只不过DFS用的是后进先出的栈，由于最后进入的都是该节点的邻域，所以出来的也是邻域节点。而BFS使用的是先进先出队列，比如最早进去的是A的四个邻域，取出一个邻域扩展后又丢进队列，但是下一个取出的还是A的某个邻域点，只有该组邻域点都拿完才能轮到下一组。

一句话形容的话，就是从A点开始像浸水一样，沿着四面八方扩展，直到找到B点

Dijkstra

迪克斯特拉也比较简单，理解了BFS，基本上也就理解了Dijkstra，也可以说它是BFS的扩展：

将A点放入open表，第二从open表中取出离A点最近的位置x，进行邻域扩展，第二将合规的邻域节点丢入open表中，第二将x丢入close表

实际上，如果节点和其邻域节点的距离是固定常数，Dijkstra便退化为了BFS，若不是固定常数，则有细微差异，BFS是直接默认相邻节点距离相等，而Dijkstra则需要判断：

若x的邻域节点P已经在open表中，且x到A的距离 + x到邻域点P的距离 ＞ P到A的距离，则重新更新P的距离。

此外，合规的判定和之前一致，即未搜索过的点即合规，即不在open和close表中

A* 算法

A star算法也是比较常见的算法，它也是在Dijkstra的基础上，引入一个人为的AB距离估计模型：f（x）=g（x）+h（x）

启发函数f(x)由两部分构成，g(x)是位置x到起点A的距离，h(x)是位置x到终点B的距离。其中只有h(x)项是预估项，或者说启发项。

A* 算法和Dijkstra相似，只不过Dijkstra中只有g(x)这一项，而A*引入了预估项h(x)，其余和Dijkstra基本一样，将A点放入open表，第二从open表中取出f(x)最小的位置x，进行邻域扩展，第二将合规的邻域节点丢入open表中，第二将x丢入close表

D*算法

又称为动态A* 算法，它用了一个更为先进的预估模型，它的预估项h(x)是通过反向Dijkstra得到的。

首次它便使用Dijkstra进行反向搜索，从B开始，直到搜索到了A，并记录各点x到B的距离为h(x)，在A*中，我们的启发函数是f（x）=g（x）+h（x），由于h(x)是准确的测量，假设机器人走到位置x，第二检查所有合规邻域y，由于的g(y)都相等g(y)=g(x)+1，所以找f(y)=g(y)+h(y)最小等价于找h(y)最小。在算法中我们将所有h(y)记为k(y)，这样从f(y)最小演变为找k(y)最小

实际上，D* 算法用在机器人实时寻路上，比如当前位置是A，目的地是B，最开始实际上找的是A到B的最短路径，当机器人走到位置x=A+1时，实际上机器人要寻找的是当前位置x到B的最短路径，所以才有所有邻域y到x的距离g(y)=1，找f（y）=g（y）+h（y）最小等价于找h(y)最小，这便是所谓动态A*的动态之处：将A到B的最短路径变成当前位置x到离B最近的邻域y的最短路径

用反向Dijkstra计算出h(x)预估后，从当前位置x开始，取出邻域中k(y)最小的位置y，第二机器人移动到y，当前位置x=y，开启下一轮搜索

但是如果发现路径上有新的障碍点了，则需要重新更新受到影响的点的距离，所谓受到影响也就是父节点为障碍物的节点。第二使用一些算法更新那些受到影响的预估h(x)值即可。

即令属于新增障碍物的所有位置o的h(o)=∞，并将其邻域受到影响的点的h值也标为∞，放入open表，直到影响扩散至机器人当前位置x

受到影响的点分两种情况：在障碍物中间（C在**位置）、在障碍物边缘（C在橙色位置）

受到障碍影响的点，h值处于上升状态，判断标准即 k(x)<h(x)，**点的邻域节点y若未受到影响即：h(y)<=k(y)，且可以降低其h值：h(y)+c(x,y)<h(x) ，则将y点作为其父节点并更新其h值

实际上也就是取**点集里，按k值从小到大进行邻域扩展，更新h值。更新完该**点后，最靠近该点那个橙色点又将变成了**点

更新h后，对当前节点进行搜索邻域，进行后续的传播扩展。这里就不详细介绍了。

拓展知识：

路线搜索

使用百度地图查询出现路线的方法如下：
打开百度浏览器，第二在百度首页选中“地图”。如下所示：
点击“地图”，即可进入百度地图首页。如下图所示：
进入百度地图的首页后，可以看到搜索栏底下有三个功能：搜索、公交、驾车；左侧则是一些常见的餐饮等。
搜索目的地，查看周围环境和交通状况。
搜索出来后可以看到左侧栏目是标记地点的符号，右侧是搜索地点的放大地图，左侧的标记符号在右侧的地点会看到具体的标记位置。
点击标记点后，会弹出信息窗口，详细介绍标记点的地点名称和相关信息以及附上图片。
在搜索拦下，点击公交，即可进行两个地点的公交路线搜索查询，并在地图显示出来。这时就有了出行路线。

前沿拓展：

路线搜索

您可以直接搜索到目的地，第二点击该位置，选择搜索附近，第二选择酒店即可。在搜索到的结果中，选择投取衡矛向破常志川你想要去的酒店，第二直接导航前去即可。

我们不论在游戏还是在机器人中，经常会碰到各种路径搜索算法，或者说最短路径查找，这里做个小结。我们第一要从经典的广度优先BFS和深度优先DFS说起。

不过很多地方都会用到openlist，closelist两个表，这里做个说明，open表里面放的是待扩展节点，close表里面放的是已经扩展过的节点，通常就是一个没有搜索过的节点会先放如open表中，后面从open表中将其取出进行扩展，第二丢到close表中。

DFS深度优先搜索

这种搜索算法算是最简单的，将open表当作栈使用，将A点入栈，第二从栈顶取出一个元素x，扩展其邻域，将合规的邻域节点放入open栈中，将x丢到close表中，直到x是是终点才退出

合规的判定比较简单，一般来说就是没有搜索过的节点，即不在close表中，也不在open表中

一句话形象概括的话，就是满屏都是食物的一条贪食蛇，每吃一格食物就增长一节，从A爬到B，就胜利了。

贪心算法

DFS的缺点是取邻域中，随意一个节点进行扩展。如果我们人为加入一个预估模型，预估到终点的距离，这样就可以取邻域中离终点最近的节点进行扩展，形成贪心搜索。

预估模型是人为加入的，常用的如曼哈顿距离。这种人为加入模型影响搜索的方式又被称为启发式搜索，加入的预估模型被称为启发函数，它能根据当前位置得到一个启发值，指导后续路径的选择

BFS广度优先

这种搜索算法也比较简单，将open表当作队列使用，将A点加入队列尾部，第二从队列头部取出一个元素x，扩展其邻域，将合规的邻域节点放入open队列中，将x丢到close表中，直到x是终点才退出

实际上和DFS很相似，只不过DFS用的是后进先出的栈，由于最后进入的都是该节点的邻域，所以出来的也是邻域节点。而BFS使用的是先进先出队列，比如最早进去的是A的四个邻域，取出一个邻域扩展后又丢进队列，但是下一个取出的还是A的某个邻域点，只有该组邻域点都拿完才能轮到下一组。

一句话形容的话，就是从A点开始像浸水一样，沿着四面八方扩展，直到找到B点

Dijkstra

迪克斯特拉也比较简单，理解了BFS，基本上也就理解了Dijkstra，也可以说它是BFS的扩展：

将A点放入open表，第二从open表中取出离A点最近的位置x，进行邻域扩展，第二将合规的邻域节点丢入open表中，第二将x丢入close表

实际上，如果节点和其邻域节点的距离是固定常数，Dijkstra便退化为了BFS，若不是固定常数，则有细微差异，BFS是直接默认相邻节点距离相等，而Dijkstra则需要判断：

若x的邻域节点P已经在open表中，且x到A的距离 + x到邻域点P的距离 ＞ P到A的距离，则重新更新P的距离。

此外，合规的判定和之前一致，即未搜索过的点即合规，即不在open和close表中

A* 算法

A star算法也是比较常见的算法，它也是在Dijkstra的基础上，引入一个人为的AB距离估计模型：f（x）=g（x）+h（x）

启发函数f(x)由两部分构成，g(x)是位置x到起点A的距离，h(x)是位置x到终点B的距离。其中只有h(x)项是预估项，或者说启发项。

A* 算法和Dijkstra相似，只不过Dijkstra中只有g(x)这一项，而A*引入了预估项h(x)，其余和Dijkstra基本一样，将A点放入open表，第二从open表中取出f(x)最小的位置x，进行邻域扩展，第二将合规的邻域节点丢入open表中，第二将x丢入close表

D*算法

又称为动态A* 算法，它用了一个更为先进的预估模型，它的预估项h(x)是通过反向Dijkstra得到的。

首次它便使用Dijkstra进行反向搜索，从B开始，直到搜索到了A，并记录各点x到B的距离为h(x)，在A*中，我们的启发函数是f（x）=g（x）+h（x），由于h(x)是准确的测量，假设机器人走到位置x，第二检查所有合规邻域y，由于的g(y)都相等g(y)=g(x)+1，所以找f(y)=g(y)+h(y)最小等价于找h(y)最小。在算法中我们将所有h(y)记为k(y)，这样从f(y)最小演变为找k(y)最小

实际上，D* 算法用在机器人实时寻路上，比如当前位置是A，目的地是B，最开始实际上找的是A到B的最短路径，当机器人走到位置x=A+1时，实际上机器人要寻找的是当前位置x到B的最短路径，所以才有所有邻域y到x的距离g(y)=1，找f（y）=g（y）+h（y）最小等价于找h(y)最小，这便是所谓动态A*的动态之处：将A到B的最短路径变成当前位置x到离B最近的邻域y的最短路径

用反向Dijkstra计算出h(x)预估后，从当前位置x开始，取出邻域中k(y)最小的位置y，第二机器人移动到y，当前位置x=y，开启下一轮搜索

但是如果发现路径上有新的障碍点了，则需要重新更新受到影响的点的距离，所谓受到影响也就是父节点为障碍物的节点。第二使用一些算法更新那些受到影响的预估h(x)值即可。

即令属于新增障碍物的所有位置o的h(o)=∞，并将其邻域受到影响的点的h值也标为∞，放入open表，直到影响扩散至机器人当前位置x

受到影响的点分两种情况：在障碍物中间（C在**位置）、在障碍物边缘（C在橙色位置）

受到障碍影响的点，h值处于上升状态，判断标准即 k(x)<h(x)，**点的邻域节点y若未受到影响即：h(y)<=k(y)，且可以降低其h值：h(y)+c(x,y)<h(x) ，则将y点作为其父节点并更新其h值

实际上也就是取**点集里，按k值从小到大进行邻域扩展，更新h值。更新完该**点后，最靠近该点那个橙色点又将变成了**点

更新h后，对当前节点进行搜索邻域，进行后续的传播扩展。这里就不详细介绍了。

拓展知识：

路线搜索

使用百度地图查询出现路线的方法如下：
打开百度浏览器，第二在百度首页选中“地图”。如下所示：
点击“地图”，即可进入百度地图首页。如下图所示：
进入百度地图的首页后，可以看到搜索栏底下有三个功能：搜索、公交、驾车；左侧则是一些常见的餐饮等。
搜索目的地，查看周围环境和交通状况。
搜索出来后可以看到左侧栏目是标记地点的符号，右侧是搜索地点的放大地图，左侧的标记符号在右侧的地点会看到具体的标记位置。
点击标记点后，会弹出信息窗口，详细介绍标记点的地点名称和相关信息以及附上图片。
在搜索拦下，点击公交，即可进行两个地点的公交路线搜索查询，并在地图显示出来。这时就有了出行路线。

前沿拓展：

路线搜索

您可以直接搜索到目的地，第二点击该位置，选择搜索附近，第二选择酒店即可。在搜索到的结果中，选择投取衡矛向破常志川你想要去的酒店，第二直接导航前去即可。

我们不论在游戏还是在机器人中，经常会碰到各种路径搜索算法，或者说最短路径查找，这里做个小结。我们第一要从经典的广度优先BFS和深度优先DFS说起。

不过很多地方都会用到openlist，closelist两个表，这里做个说明，open表里面放的是待扩展节点，close表里面放的是已经扩展过的节点，通常就是一个没有搜索过的节点会先放如open表中，后面从open表中将其取出进行扩展，第二丢到close表中。

DFS深度优先搜索

这种搜索算法算是最简单的，将open表当作栈使用，将A点入栈，第二从栈顶取出一个元素x，扩展其邻域，将合规的邻域节点放入open栈中，将x丢到close表中，直到x是是终点才退出

合规的判定比较简单，一般来说就是没有搜索过的节点，即不在close表中，也不在open表中

一句话形象概括的话，就是满屏都是食物的一条贪食蛇，每吃一格食物就增长一节，从A爬到B，就胜利了。

贪心算法

DFS的缺点是取邻域中，随意一个节点进行扩展。如果我们人为加入一个预估模型，预估到终点的距离，这样就可以取邻域中离终点最近的节点进行扩展，形成贪心搜索。

预估模型是人为加入的，常用的如曼哈顿距离。这种人为加入模型影响搜索的方式又被称为启发式搜索，加入的预估模型被称为启发函数，它能根据当前位置得到一个启发值，指导后续路径的选择

BFS广度优先

这种搜索算法也比较简单，将open表当作队列使用，将A点加入队列尾部，第二从队列头部取出一个元素x，扩展其邻域，将合规的邻域节点放入open队列中，将x丢到close表中，直到x是终点才退出

实际上和DFS很相似，只不过DFS用的是后进先出的栈，由于最后进入的都是该节点的邻域，所以出来的也是邻域节点。而BFS使用的是先进先出队列，比如最早进去的是A的四个邻域，取出一个邻域扩展后又丢进队列，但是下一个取出的还是A的某个邻域点，只有该组邻域点都拿完才能轮到下一组。

一句话形容的话，就是从A点开始像浸水一样，沿着四面八方扩展，直到找到B点

Dijkstra

迪克斯特拉也比较简单，理解了BFS，基本上也就理解了Dijkstra，也可以说它是BFS的扩展：

将A点放入open表，第二从open表中取出离A点最近的位置x，进行邻域扩展，第二将合规的邻域节点丢入open表中，第二将x丢入close表

实际上，如果节点和其邻域节点的距离是固定常数，Dijkstra便退化为了BFS，若不是固定常数，则有细微差异，BFS是直接默认相邻节点距离相等，而Dijkstra则需要判断：

若x的邻域节点P已经在open表中，且x到A的距离 + x到邻域点P的距离 ＞ P到A的距离，则重新更新P的距离。

此外，合规的判定和之前一致，即未搜索过的点即合规，即不在open和close表中

A* 算法

A star算法也是比较常见的算法，它也是在Dijkstra的基础上，引入一个人为的AB距离估计模型：f（x）=g（x）+h（x）

启发函数f(x)由两部分构成，g(x)是位置x到起点A的距离，h(x)是位置x到终点B的距离。其中只有h(x)项是预估项，或者说启发项。

A* 算法和Dijkstra相似，只不过Dijkstra中只有g(x)这一项，而A*引入了预估项h(x)，其余和Dijkstra基本一样，将A点放入open表，第二从open表中取出f(x)最小的位置x，进行邻域扩展，第二将合规的邻域节点丢入open表中，第二将x丢入close表

D*算法

又称为动态A* 算法，它用了一个更为先进的预估模型，它的预估项h(x)是通过反向Dijkstra得到的。

首次它便使用Dijkstra进行反向搜索，从B开始，直到搜索到了A，并记录各点x到B的距离为h(x)，在A*中，我们的启发函数是f（x）=g（x）+h（x），由于h(x)是准确的测量，假设机器人走到位置x，第二检查所有合规邻域y，由于的g(y)都相等g(y)=g(x)+1，所以找f(y)=g(y)+h(y)最小等价于找h(y)最小。在算法中我们将所有h(y)记为k(y)，这样从f(y)最小演变为找k(y)最小

实际上，D* 算法用在机器人实时寻路上，比如当前位置是A，目的地是B，最开始实际上找的是A到B的最短路径，当机器人走到位置x=A+1时，实际上机器人要寻找的是当前位置x到B的最短路径，所以才有所有邻域y到x的距离g(y)=1，找f（y）=g（y）+h（y）最小等价于找h(y)最小，这便是所谓动态A*的动态之处：将A到B的最短路径变成当前位置x到离B最近的邻域y的最短路径

用反向Dijkstra计算出h(x)预估后，从当前位置x开始，取出邻域中k(y)最小的位置y，第二机器人移动到y，当前位置x=y，开启下一轮搜索

但是如果发现路径上有新的障碍点了，则需要重新更新受到影响的点的距离，所谓受到影响也就是父节点为障碍物的节点。第二使用一些算法更新那些受到影响的预估h(x)值即可。

即令属于新增障碍物的所有位置o的h(o)=∞，并将其邻域受到影响的点的h值也标为∞，放入open表，直到影响扩散至机器人当前位置x

受到影响的点分两种情况：在障碍物中间（C在**位置）、在障碍物边缘（C在橙色位置）

受到障碍影响的点，h值处于上升状态，判断标准即 k(x)<h(x)，**点的邻域节点y若未受到影响即：h(y)<=k(y)，且可以降低其h值：h(y)+c(x,y)<h(x) ，则将y点作为其父节点并更新其h值

实际上也就是取**点集里，按k值从小到大进行邻域扩展，更新h值。更新完该**点后，最靠近该点那个橙色点又将变成了**点

更新h后，对当前节点进行搜索邻域，进行后续的传播扩展。这里就不详细介绍了。

拓展知识：

路线搜索

使用百度地图查询出现路线的方法如下：
打开百度浏览器，第二在百度首页选中“地图”。如下所示：
点击“地图”，即可进入百度地图首页。如下图所示：
进入百度地图的首页后，可以看到搜索栏底下有三个功能：搜索、公交、驾车；左侧则是一些常见的餐饮等。
搜索目的地，查看周围环境和交通状况。
搜索出来后可以看到左侧栏目是标记地点的符号，右侧是搜索地点的放大地图，左侧的标记符号在右侧的地点会看到具体的标记位置。
点击标记点后，会弹出信息窗口，详细介绍标记点的地点名称和相关信息以及附上图片。
在搜索拦下，点击公交，即可进行两个地点的公交路线搜索查询，并在地图显示出来。这时就有了出行路线。