很多游戲特別是rts，rpg類游戲，都需要用到尋路。尋路算法有深度優先搜索（DFS），廣度優先搜索(BFS)，A星算法等，而A星算法是一種具備啟發性策略的算法，效率是幾種算法中最高的，因此也成為游戲中最常用的尋路算法。
直入正題：
在游戲設計中，地圖可以划分為若干大小相同的方塊區域（方格），這些方格就是尋路的基本單元。
在確定了尋路的開始點，結束點的情況下，假定每個方塊都有一個F值，該值代表了在當前路線下選擇走該方塊的代價。
而A星尋路的思路很簡單：從開始點，每走一步都選擇代價最小的格子走，直到達到結束點。
A星算法核心公式就是F值的計算：
F = G + H
F - 方塊的總移動代價
G - 開始點到當前方塊的移動代價
H - 當前方塊到結束點的預估移動代價
以下詳細解釋這個公式，方便更好地理解它。
G值是怎么計算的？
假設現在我們在某一格子，鄰近有8個格子可走，當我們往上、下、左、右這4個格子走時，移動代價為10；當往左上、左下、右上、右下這4個格子走時，移動代價為14；即走斜線的移動代價為走直線的1.4倍。
這就是G值最基本的計算方式，適用於大多數2.5Drpg頁游。
基本公式：
G = 移動代價
根據游戲需要，G值的計算可以進行拓展。如加上地形因素對尋路的影響。格子地形不同，那么選擇通過不同地形格子，移動代價肯定不同。同一段路，平地地形和丘陵地形，雖然都可以走，但平地地形顯然更易走。
我們可以給不同地形賦予不同代價因子，來體現出G值的差異。如給平地地形設置代價因子為1，丘陵地形為2，在移動代價相同情況下，平地地形的G值更低，算法就會傾向選擇G值更小的平地地形。
拓展公式：
G = 移動代價 * 代價因子
H值是如何預估出來的？
很顯然，在只知道當前點，結束點，不知道這兩者的路徑情況下，我們無法精確地確定H值大小，所以只能進行預估。
有多種方式可以預估H值，如曼哈頓距離、歐式距離、對角線估價，最常用最簡單的方法就是使用曼哈頓距離進行預估：
H = 當前方塊到結束點的水平距離 + 當前方塊到結束點的垂直距離
題外話：A星算法之所以被認為是具有啟發策略的算法，在於其可通過預估H值，降低走彎路的可能性，更容易找到一條更短的路徑。其他不具有啟發策略的算法，沒有做預估處理，只是窮舉出所有可通行路徑，然后從中挑選一條最短的路徑。這也是A星算法效率更高的原因。
每個方塊的G值、H值是怎么確定的呢？
G值 = 父節點的G值 + 父節點到當前點的移動代價
H值 = 當前點到結束點的曼哈頓距離
最后，A星算法還需要用到兩個列表：
開放列表 - 用於記錄所有可考慮選擇的格子
封閉列表 - 用於記錄所有不再考慮的格子
以上就是要完成A星算法所需要的東西,而算法的過程並不復雜。
A星算法偽碼：
a、將開始點記錄為當前點P
b、將當前點P放入封閉列表
c、搜尋點P所有鄰近點，假如某鄰近點既沒有在開放列表或封閉列表里面，則計算出該鄰近點的F值，並設父節點為P，然后將其放入開放列表
d、判斷開放列表是否已經空了，如果沒有說明在達到結束點前已經找完了所有可能的路徑點，尋路失敗，算法結束；否則繼續。
e、從開放列表拿出一個F值最小的點，作為尋路路徑的下一步。
f、判斷該點是否為結束點，如果是，則尋路成功，算法結束；否則繼續。
g、將該點設為當前點P，跳回步驟c。
后續優化
以上就是A星算法最基本的原理，明白了基本原理，用2,3百行代碼寫出一個可用的A星算法並不難。當然A星算法在實際應用中不僅於此，還可以對細節進行優化：
1、選擇排序更快的二叉樹來作為開放列表，幫助我們更快地從開放列表中取出F值最小的點；
2、對何種情況下可以走斜線路徑加以判斷；
3、采用布蘭森漢姆算法預先判斷兩點是否可以直接通行，可通行就直接返回兩點的直線路徑，不可直接通行再采用A星算法尋路，提高尋路效率；
4、A星算法得出尋路路徑后，可采用弗洛伊德算法對路徑進行平滑處理，使人物走動更為自然
這里只是用語言講解A星算法原理，並沒有配圖講解整個尋路的過程，希望進一步直觀理解整個過程的，推薦參考下面兩個網友翻譯過來的A星教程
http://www.raywenderlich.com/zh-hans/21503/a%E6%98%9F%E5%AF%BB%E8%B7%AF%E7%AE%97%E6%B3%95%E4%BB%8B%E7%BB%8D
http://www.cppblog.com/mythit/archive/2009/04/19/80492.aspx