地图中最短路径的搜索算法研究综述 (1)
最短路径dijkstra算法
最短路径dijkstra算法一、介绍Dijkstra算法是一种用于解决带有非负边权的加权图中单源最短路径问题的算法。
它被广泛应用于路由算法和其他网络应用中。
二、算法原理1. 算法流程Dijkstra算法的基本思想是从起点开始，逐步扩展到距离它最近的节点，然后再逐步扩展到距离起点第二近的节点，以此类推，直到扩展到终点为止。
具体实现过程如下：（1）初始化：将起点s加入集合S，其他节点加入集合U，并赋初值dist数组表示从起点s到其他节点的距离，初始值为无穷大。
（2）找到当前距离起点最短的节点v，并将其加入集合S中。
（3）更新dist数组：对于所有与v相邻接的未被访问过的节点w，如果通过v可以使得从s到w的距离更短，则更新dist[w]为新的更短距离，并记录前驱节点prev[w]=v。
（4）重复执行步骤（2）和（3），直至终点t被加入集合S中或者所有可达节点都已经被访问过。
2. 算法优化Dijkstra算法可以通过以下两种方式进行优化：（1）使用优先队列：每次从未访问节点中选择距离起点最近的节点时，可以使用优先队列来维护未访问节点的距离，这样可以避免每次都要遍历整个dist数组来找到最小值。
（2）使用堆优化的Dijkstra算法：在稠密图中，使用堆优化的Dijkstra算法可以进一步减少时间复杂度。
三、算法应用Dijkstra算法被广泛应用于路由算法和其他网络应用中。
例如，在互联网中，路由器需要根据网络拓扑和链路质量等信息计算出最短路径，以便将数据包传输到目标地址。
四、算法复杂度Dijkstra算法的时间复杂度取决于实现方式和图的结构。
在稠密图中，堆优化的Dijkstra算法的时间复杂度为O(|V|^2)，其中|V|表示节点数；在稀疏图中，使用优先队列实现Dijkstra算法的时间复杂度为O((|E|+|V|)log|V|)，其中|E|表示边数。
五、总结Dijkstra算法是一种经典的单源最短路径算法，在网络应用和其他领域有广泛应用。
图论中的最短路径算法及其应用
在图论中，最短路径是指在一个给定的加权有向图或无向图中，两个顶点之间连接的最小权值总和的路径。
最短路径问题是图论中常见且重要的问题，而最短路径算法则是解决这类问题的关键。
最短路径算法有多种，其中最经典且常用的有Dijkstra算法、Bellman-Ford算法和Floyd-Warshall算法。
这些算法都有各自的特点和适用范围，下面将逐一介绍。
首先是Dijkstra算法。
Dijkstra算法是一种单源最短路径算法，用于计算从单个源点到图中所有其他顶点的最短路径。
算法的基本思想是通过逐步更新起始点到其他各点的最短路径，直到找到所有最短路径为止。
该算法对边的权值没有要求，可以是正值也可以是零或负值，但不能存在负权回路。
因此，Dijkstra算法适用于求解正边权的最短路径问题。
其次是Bellman-Ford算法。
Bellman-Ford算法也是一种单源最短路径算法，与Dijkstra算法相比，Bellman-Ford算法对边的权值没有任何限制，可以存在负权边和负权回路。
算法的基本思想是通过逐步松弛边来更新起始点到其他各点的最短路径，直到找到所有最短路径为止。
但由于负权回路的存在，算法可能会无限循环下去，因此需要通过限制循环次数来避免算法陷入死循环。
最后是Floyd-Warshall算法。
Floyd-Warshall算法是一种多源最短路径算法，用于计算图中任意两个顶点之间的最短路径。
算法的基本思想是通过动态规划的方式，逐步更新任意两个顶点之间的最短路径长度。
与Dijkstra算法和Bellman-Ford算法不同的是，Floyd-Warshall算法对边的权值也没有要求，可以是正值、零值或负值。
但该算法的时间复杂度较高，适用于图中顶点较少的情况。
这些最短路径算法在实际应用中有各自的优势和应用场景。
比如，Dijkstra算法常用于网络路由设计、GPS导航系统等需要求解单源最短路径的问题。
Bellman-Ford算法常用于检测负权回路、寻找图中的负环等。
图的最短路径算法
图的最短路径算法图是一种常见的数据结构，它由节点和连接节点的边组成。
在现实生活中，我们常常会遇到需要找到两个节点之间最短路径的问题，比如导航系统中寻找最快的路线。
图的最短路径算法就是解决这类问题的重要工具。
本文将介绍两种常用的最短路径算法：Dijkstra算法和Floyd-Warshall算法。
1. Dijkstra算法Dijkstra算法是一种用于求解单源最短路径的算法，即从一个节点出发，计算该节点到图中其他节点的最短路径。
该算法采用贪心策略，逐步扩展最短路径的范围，直到找到从起始节点到其他节点的最短路径。
具体步骤如下：1）初始化距离数组dist和已访问节点集合visited。
将起始节点的距离设为0，其他节点的距离设为无穷大，同时将所有节点标记为未访问。
2）进入循环，重复以下步骤直到所有节点都被访问：a) 从距离数组dist中选择未访问节点中距离最小的节点u作为当前节点。
b) 将节点u标记为已访问。
c) 遍历当前节点u的所有邻居节点v，并更新其距离dist[v]，如果从起始节点经过节点u到达节点v的距离比当前的距离小。
3）循环结束后，距离数组dist中存储的即为起始节点到其他节点的最短路径。
2. Floyd-Warshall算法Floyd-Warshall算法是一种用于求解多源最短路径的算法，即计算图中任意两个节点之间的最短路径。
与Dijkstra算法不同，Floyd-Warshall算法采用动态规划的思想，通过中间节点的遍历来逐步更新当前最短路径。
具体步骤如下：1）初始化距离矩阵dist，其中dist[i][j]表示节点i到节点j的距离。
如果节点i和节点j之间没有直接连接的边，则距离设为无穷大。
2）三重循环依次遍历节点k、i和j。
对于每对节点i和j，如果经过节点k的路径比当前的最短路径更短，则更新最短路径。
dist[i][j] = min(dist[i][j], dist[i][k] + dist[k][j])3）循环结束后，距离矩阵dist中存储的即为任意两个节点之间的最短路径。
图论中的最短路径算法
最短路径算法是图论中的一个重要问题，它用于求取两个顶点之间连接的最短路径。
在现实世界中，我们经常需要找到最短路径，比如在地图导航中，我们希望找到两个地点之间最短的驾车路线，或者在网络通信中，我们需要找到两个节点之间最快的传输路径。
因此，研究图论中的最短路径算法对我们生活和工作都具有重要意义。
在图论中，最短路径算法主要有两种基本思想：Dijkstra算法和Floyd-Warshall算法。
Dijkstra算法是由荷兰计算机科学家Edsger Dijkstra于1959年提出的一种贪心算法。
它主要用于解决单源最短路径问题，即给定一个起始顶点，求出该顶点到其他所有顶点的最短路径。
Dijkstra算法的基本思想是通过不断找到当前距离起始顶点最近的顶点来更新顶点之间的距离，直到所有顶点都被标记为已访问。
具体步骤如下：1.初始化距离数组，将起始顶点到其他顶点的距离都设置为无穷大，将起始顶点设为本身的距离为0。
2.选取一个未被访问的顶点，计算起始顶点到该顶点的距离。
如果此距离小于当前记录在距离数组中的距离，则更新距离数组。
3.标记该顶点为已访问。
4.重复2和3步骤，直到所有顶点都被标记为已访问。
Floyd-Warshall算法是由美国计算机科学家Robert Floyd和Stephen Warshall于1962年提出的一种动态规划算法。
它用于解决所有顶点间最短路径问题，即求出任意两个顶点之间的最短路径。
Floyd-Warshall算法的基本思想是通过递推关系，不断更新所有顶点对之间的最短路径。
具体步骤如下：1.初始化距离矩阵，将没有直接连接的顶点对的距离设为无穷大，将所有直接连接的顶点对的距离设为边的权值。
2.通过三重循环，尝试将每个顶点作为中转顶点，更新其他顶点对之间的最短路径。
如果通过中转顶点可以获得更短的路径，则更新路径。
3.重复2步骤，直到所有顶点对之间的最短路径都被找到。
Dijkstra算法和Floyd-Warshall算法都是基于图的邻接矩阵或邻接表来进行计算的。
Dijkstra算法详细讲解
最短路径之Dijkstra算法详细讲解１最短路径算法在日常生活中，我们如果需要常常往返A地区和B地区之间，我们最希望知道的可能是从A地区到B地区间的众多路径中，那一条路径的路途最短。
最短路径问题是图论研究中的一个经典算法问题，旨在寻找图（由结点和路径组成的）中两结点之间的最短路径。
算法具体的形式包括：（１）确定起点的最短路径问题：即已知起始结点，求最短路径的问题。
（２）确定终点的最短路径问题：与确定起点的问题相反，该问题是已知终结结点，求最短路径的问题。
在无向图中该问题与确定起点的问题完全等同，在有向图中该问题等同于把所有路径方向反转的确定起点的问题。
（３）确定起点终点的最短路径问题：即已知起点和终点，求两结点之间的最短路径。
（４）全局最短路径问题：求图中所有的最短路径。
用于解决最短路径问题的算法被称做“最短路径算法”，有时被简称作“路径算法”。
最常用的路径算法有：Dijkstra算法、A*算法、Bellman-Ford算法、Floyd-Warshall算法、Johnson算法。
本文主要研究Dijkstra算法的单源算法。
２ Dijkstra算法2.1 Dijkstra算法Dijkstra算法是典型最短路算法，用于计算一个节点到其他所有节点的最短路径。
主要特点是以起始点为中心向外层层扩展，直到扩展到终点为止。
Dijkstra算法能得出最短路径的最优解，但由于它遍历计算的节点很多，所以效率低。
Dijkstra算法是很有代表性的最短路算法，在很多专业课程中都作为基本内容有详细的介绍，如数据结构，图论，运筹学等等。
2.2 Dijkstra算法思想Dijkstra算法思想为：设G=(V,E)是一个带权有向图，把图中顶点集合V 分成两组，第一组为已求出最短路径的顶点集合（用S表示，初始时S中只有一个源点，以后每求得一条最短路径 , 就将加入到集合S中，直到全部顶点都加入到S中，算法就结束了），第二组为其余未确定最短路径的顶点集合（用U 表示），按最短路径长度的递增次序依次把第二组的顶点加入S中。
图论中的最短路径算法
图论中的最短路径算法图论是数学的一个分支，研究图的性质和图之间的关系。
在图论中，最短路径算法是一类重要的算法，用于寻找图中两个顶点之间的最短路径。
本文将介绍图论中的几种常见的最短路径算法。
一、Dijkstra算法Dijkstra算法是最短路径算法中最常用的一种。
它基于贪心策略，通过逐步扩展路径来求解最短路径。
算法的基本思想是，从一个起始顶点开始，逐步扩展到其他顶点，每次选择当前路径中距离起始顶点最近的顶点进行扩展，直到扩展到目标顶点或者所有顶点都被扩展完毕。
Dijkstra算法的步骤如下：1. 初始化起始顶点的距离为0，其他顶点的距离为无穷大。
2. 选择距离起始顶点最近的顶点，将其加入已扩展顶点集合。
3. 更新与新加入顶点相邻的顶点的距离，如果新的距离比原来的距离小，则更新距离。
4. 重复步骤2和步骤3，直到扩展到目标顶点或者所有顶点都被扩展完毕。
5. 根据更新后的距离，可以得到最短路径。
二、Bellman-Ford算法Bellman-Ford算法是另一种常用的最短路径算法。
它可以处理带有负权边的图，而Dijkstra算法只适用于非负权边的图。
Bellman-Ford算法的基本思想是通过对所有边进行松弛操作，逐步减小起始顶点到其他顶点的估计距离，直到得到最短路径。
Bellman-Ford算法的步骤如下：1. 初始化起始顶点的距离为0，其他顶点的距离为无穷大。
2. 对所有边进行松弛操作，即如果存在一条边(u, v)，使得从起始顶点到v的距离大于从起始顶点到u的距离加上边(u, v)的权值，则更新距离。
3. 重复步骤2，直到没有顶点的距离发生变化。
4. 根据更新后的距离，可以得到最短路径。
三、Floyd-Warshall算法Floyd-Warshall算法是一种多源最短路径算法，可以求解图中任意两个顶点之间的最短路径。
该算法通过动态规划的方式，逐步更新顶点之间的距离，直到得到最短路径。
Floyd-Warshall算法的步骤如下：1. 初始化顶点之间的距离矩阵，如果两个顶点之间存在边，则距离为边的权值，否则距离为无穷大。
最短路径问题算法
最短路径问题算法最短路径问题算法概述：在图论中，最短路径问题是指在一个加权有向图或无向图中，从一个顶点出发到另外一个顶点的所有路径中，权值和最小的那条路径。
最短路径问题是图论中的经典问题，在实际应用中有着广泛的应用。
本文将介绍常见的几种最短路径算法及其优缺点。
Dijkstra算法：Dijkstra算法是一种贪心算法，用于解决带权有向图或无向图的单源最短路径问题，即给定一个起点s，求出从s到其他所有顶点的最短路径。
Dijkstra算法采用了广度优先搜索策略，并使用了优先队列来维护当前已知的距离最小的节点。
实现步骤：1. 初始化：将起始节点标记为已访问，并将所有其他节点标记为未访问。
2. 将起始节点加入优先队列，并设置其距离为0。
3. 重复以下步骤直至队列为空：a. 取出当前距离起始节点距离最小的节点u。
b. 遍历u的所有邻居v：i. 如果v未被访问过，则将其标记为已访问，并计算v到起始节点的距离，更新v的距离。
ii. 如果v已被访问过，则比较v到起始节点的距离和当前已知的最短距离，如果更小则更新v的距离。
c. 将所有邻居节点加入优先队列中。
优缺点：Dijkstra算法能够求解任意两点之间的最短路径，并且保证在有向图中不会出现负权回路。
但是Dijkstra算法只适用于无负权边的图，因为负权边会导致算法失效。
Bellman-Ford算法：Bellman-Ford算法是一种动态规划算法，用于解决带权有向图或无向图的单源最短路径问题。
与Dijkstra算法不同，Bellman-Ford算法可以处理带有负权边的图。
实现步骤：1. 初始化：将起始节点标记为已访问，并将所有其他节点标记为未访问。
2. 对于每个节点v，初始化其到起始节点s的距离为正无穷大。
3. 将起始节点s到自身的距离设置为0。
4. 重复以下步骤n-1次（n为顶点数）：a. 遍历所有边(u, v)，如果u到起始节点s的距离加上(u, v)边权小于v到起始节点s的距离，则更新v的距离为u到起始节点s的距离加上(u, v)边权。
最短路径（Dijkstra算法）
最短路径（Dijkstra算法）当⽤图结构来表⽰通信、交通等⽹络，权重代表距离或者成本，寻找最短路径就成为了⼀个重要的任务。
给定带权⽹络G=(V;E)，源点s，对于其他所有顶点v，寻找s到v的最短路径，连接成⼀颗最短路径树。
可以证明，最短路径的任⼀前缀也是最短路径。
这⼀性质，可以理解为，对于⼀颗最短路径树，按到起点的距离排序，删除后⾯k个顶点以及关联边后，残存的⼦树T‘依然是最短路径树。
因此，只需要找到⼀个新的距离源点s最近的顶点，即可扩充⼦树，最终成为全图的最短路径树。
考虑优先级搜索的框架，当前顶点尚未发现的邻接顶点，其优先级可以定义为其⽗亲的优先级加上联边的权重，即priority(u)=priority(parent(u))+weight(v,u)。
与Prim算法类似，每次只需要将优先级最⾼的顶点以及联边加⼊⼦树，最终即可得到最短路径树。
1 template<typename Tv, typename Te> struct Dijkstra2 {3virtual void operator()(Graph<Tv, Te>* g, int uk, int v)4 {5if (g->status(v) == UNDISCOVERED)//对于uk每个尚未被发现的邻接顶点v6if (g->priority(v) > g->priority(uk) + g->weight(uk, v))//u到Vk的距离看做u的优先级7 {8 g->priority(v) = g->priority(uk) + g->weight(uk, v);//更新优先级数9 g->parent(v) = uk;//更新⽗节点10 }11 }//每次都是寻找离开始节点s最近的节点，仅当新节点才更新，每个已发现节点的priority都是到s的最短距离12 };与Prim算法不同之处在于，Prim算法仅考虑⼦树到邻接顶点的联边权重；Dijkstra算法需要考虑的是到源点s的最短路径，基于前缀仍然是最短路径这⼀前提，只需要简化为，distance(s,u)=distance(s,v)+distance(v,u)。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
地图中最短路径的搜索算法研究学生:李小坤导师：董峦摘要：目前为止, 国内外大量专家学者对“最短路径问题”进行了深入的研究。
本文通过理论分析, 结合实际应用，从各个方面较系统的比较广度优先搜索算法(BFS)、深度优先搜索算法(DFS)、A* 算法的优缺点。
关键词:最短路径算法；广度优先算法；深度优先算法；A*算法；The shortest path of map's search algorithm Abstract:So far, a large number of domestic and foreign experts and scholars on the" shortest path problem" in-depth study. In this paper, through theoretical analysis and practical application, comprise with the breadth-first search algorithm ( BFS ), depth-first search algorithm ( DFS ) and the A * algorithms from any aspects of systematic.Key words: shortest path algorithm; breadth-first algorithm; algorithm; A * algorithm;前言：最短路径问题是地理信息系统（GIS）网络分析的重要内容之一，而且在图论中也有着重要的意义。
实际生活中许多问题都与“最短路径问题”有关, 比如: 网络路由选择, 集成电路设计、布线问题、电子导航、交通旅游等。
本文应用深度优先算法，广度优先算法和A*算法，对一具体问题进行讨论和分析，比较三种算的的优缺点。
在地图中最短路径的搜索算法研究中，每种算法的优劣的比较原则主要遵循以下三点:[1](1)算法的完全性：提出一个问题，该问题存在答案，该算法能够保证找到相应的答案。
算法的完全性强是算法性能优秀的指标之一。
(2)算法的时间复杂性: 提出一个问题，该算法需要多长时间可以找到相应的答案。
算法速度的快慢是算法优劣的重要体现。
(3)算法的空间复杂性:算法在执行搜索问题答案的同时，需要多少存储空间。
算法占用资源越少，算法的性能越好。
地图中最短路径的搜索算法:1、广度优先算法广度优先算法(Breadth-First-Search)，又称作宽度优先搜索，或横向优先搜索，是最简便的图的搜索算法之一，这一算法也是很多重要的图的算法的原型,Dijkstra单源最短路径算法和Prim最小生成树算法都采用了和宽度优先搜索类似的思想。
广度优先算法其别名又叫BFS ，属于一种盲目搜寻法，目的是系统地展开并检查图中的所有节点，以找寻结果。
换句话说，它并不考虑结果的可能位址，彻底地搜索整张图，直到找到结果为止。
BFS 并不使用经验法则算法。
广度优先搜索算法伪代码如下：[2-3]BFS(v)//广度优先搜索G ，从顶点v 开始执行//所有已搜索的顶点i 都标记为Visited(i)=1.//Visited 的初始分量值全为0Visited(v)=1;Q=[];//将Q 初始化为只含有一个元素v 的队列while Q not null dou=DelHead(Q);for 邻接于u 的所有顶点w doif Visited(w)=0 thenAddQ(w,Q); //将w 放于队列Q 之尾Visited(w)=1;endifendforendwhileend BFS这里调用了两个函数：AddQ(w,Q)是将w 放于队列Q 之尾；DelHead(Q)是从队列Q 取第一个顶点，并将其从Q 中删除。
重复DelHead(Q)过程，直到队列Q 空为止。
完全性：广度优先搜索算法具有完全性。
这意指无论图形的种类如何，只要目标存在，则BFS 一定会找到。
然而，若目标不存在，且图为无限大，则BFS 将不收敛（不会结束）。
时间复杂度：最差情形下，BFS 必须寻找所有到可能节点的所有路径，因此其时间复杂度为()E V O +,其中|V|是节点的数目，而 |E| 是图中边的数目。
空间复杂度：因为所有节点都必须被储存，因此BFS 的空间复杂度为()E V O +，其中|V|是节点的数目，而|E|是图中边的数目。
另一种说法称BFS 的空间复杂度为O(B),其中B 是最大分支系数，而M 是树的最长路径长度。
由于对空间的大量需求，因此BFS 并不适合解非常大的问题。
[4-5]2、深度优先算法深度优先搜索算法（Depth First Search）英文缩写为DFS，属于一种回溯算法，正如算法名称那样，深度优先搜索所遵循的搜索策略是尽可能“深”地搜索图。
[6]其过程简要来说是沿着顶点的邻点一直搜索下去，直到当前被搜索的顶点不再有未被访问的邻点为止，此时，从当前辈搜索的顶点原路返回到在它之前被搜索的访问的顶点，并以此顶点作为当前被搜索顶点。
继续这样的过程，直至不能执行为止。
深度优先搜索算法的伪代码如下：[7]DFS(v) //访问由v到达的所有顶点Visited(v)=1;for邻接于v的每个顶点w doif Visited(w)=0 thenDFS(w);endifendforend DFS作为搜索算法的一种，DFS对于寻找一个解的NP（包括NPC）问题作用很大。
但是，搜索算法毕竟是时间复杂度是O(n!)的阶乘级算法，它的效率比较低，在数据规模变大时，这种算法就显得力不从心了。
[8]关于深度优先搜索的效率问题，有多种解决方法。
最具有通用性的是剪枝，也就是去除没有用的搜索分支。
有可行性剪枝和最优性剪枝两种。
BFS:对于解决最短或最少问题特别有效，而且寻找深度小，但缺点是内存耗费量大（需要开大量的数组单元用来存储状态）。
DFS：对于解决遍历和求所有问题有效，对于问题搜索深度小的时候处理速度迅速，然而在深度很大的情况下效率不高。
3、A*算法1968年的一篇论文，“P. E. Hart, N. J. Nilsson, and B. Raphael. A formal basis for the heuristic determination of minimum cost paths in graphs. IEEE Trans. Syst. Sci. and Cybernetics, SSC-4(2):100-107, 1968”。
[9]从此，一种精巧、高效的算法——A*算法问世了，并在相关领域得到了广泛的应用。
A* 算法其实是在宽度优先搜索的基础上引入了一个估价函数,每次并不是把所有可扩展的结点展开,而是利用估价函数对所有未展开的结点进行估价, 从而找出最应该被展开的结点,将其展开,直到找到目标节点为止。
A*算法主要搜索过程伪代码如下：[10]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。
算起点的估价值;将起点放入OPEN表;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;endiffor(当前节点n 的每个子节点X)算X的估价值;if(X in OPEN)if(X的估价值小于OPEN表的估价值)把n设置为X的父亲;更新OPEN表中的估价值; //取最小路径的估价值;endifendifif(X inCLOSE)if( X的估价值小于CLOSE表的估价值)把n设置为X的父亲;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endifendifif(X not inboth)把n设置为X的父亲;求X的估价值;并将X插入OPEN表中; //还没有排序endifend for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。
end while(OPEN!=NULL)保存路径，即从终点开始，每个节点沿着父节点移动直至起点，这就是你的路径；A *算法分析：DFS和BFS在展开子结点时均属于盲目型搜索，也就是说，它不会选择哪个结点在下一次搜索中更优而去跳转到该结点进行下一步的搜索。
在运气不好的情形中，均需要试探完整个解集空间, 显然，只能适用于问题规模不大的搜索问题中。
而A*算法与DFS和BFS这类盲目型搜索最大的不同，就在于当前搜索结点往下选择下一步结点时，可以通过一个启发函数来进行选择，选择代价最少的结点作为下一步搜索结点而跳转其上。
[11]A *算法就是利用对问题的了解和对问题求解过程的了解, 寻求某种有利于问题求解的启发信息, 从而利用这些启发信息去搜索最优路径.它不用遍历整个地图, 而是每一步搜索都根据启发函数朝着某个方向搜索.当地图很大很复杂时, 它的计算复杂度大大优于 D ijks tr a算法, 是一种搜索速度非常快、效率非常高的算法.但是, 相应的A*算法也有它的缺点.启发性信息是人为加入的, 有很大的主观性, 直接取决于操作者的经验, 对于不同的情形要用不同的启发信息和启发函数, 且他们的选取难度比较大,很大程度上找不到最优路径。
总结：本文描述了最短路径算法的一些步骤，总结了每个算法的一些优缺点，以及算法之间的一些关系。
对于BFS还是DFS，它们虽然好用，但由于时间和空间的局限性，以至于它们只能解决规模不大的问题，而最短或最少问题应该选用BFS,遍历和求所有问题时候则应该选用DFS。
至于A*算法，它是一种启发式搜索算法，也是一种最好优先的算法，它适合于小规模、大规模以及超大规模的问题，但启发式搜索算法具有很大的主观性，它的优劣取决于编程者的经验，以及选用的启发式函数，所以用A*算法编写一个优秀的程序，难度相应是比较大的。
每种算法都有自己的优缺点，对于不同的问题选择合理的算法，才是最好的方法。
参考文献：[1]陈圣群,滕忠坚,洪亲,陈清华.四种最短路径算法实例分析[J].电脑知识与技术(学术交流),2007(16):1030-1032[2]刘树林,尹玉妹.图的最短路径算法及其在网络中的应用[J].软件导刊,2011(07):51-53[3]刘文海,徐荣聪.几种最短路径的算法及比较[J].福建电脑，2008(02）:9-12[4]邓春燕.两种最短路径算法的比较[J].电脑知识与技术，2008（12）：511-513[5]王苏男,宋伟,姜文生.最短路径算法的比较[J].系统工程与电子技术,1994(05)：43-49[6]徐凤生,李天志.所有最短路径的求解算法[J].计算机工程与科学,2006(12)：83-84[7]李臣波,刘润涛.一种基于Dijkstra的最短路径算法[J].哈尔滨理工大学学报,2008(03)：35-37[8]徐凤生.求最短路径的新算法[J].计算机工程与科学,2006(02).[9] YanchunShen . An improved Graph-based Depth-First algorithm and Dijkstra algorithm program of police patrol [J] . 2010 International Conference on Electrical Engineering and Automatic Control , 2010(3) : 73-77[10]部亚松.VC++实现基于Dijkstra算法的最短路径[J].科技信息(科学教研),2008(18)：36-37[11]杨长保,王开义,马生忠.一种最短路径分析优化算法的实现[J]. 吉林大学学报(信息科学版),2002(02)：70-74。