以下的几种算法都是从开始点不断向外探索邻居节点，直到成功与终点相连。 它们共同维护以下的几个信息集合
open_set：待处理节点closed_set：标记已遍历节点path_set：记录路径
而如果节点能够唯一映射成一个key，那么利用字典，就可以大大提高查找和比较的速度，为此需要引入get_node_key()：获取节点的keynodes_set：节点和key的字典，用于获取节点
除此之外，也需要实现get_neighbors()
用以获取节点周围的邻居。那么其大致流程可以看做
获取邻居-->加入open_set-->按某种规则处理节点--->移入closed_set--->循环至无节点可处理
而下列几种算法的区别只在于处理规则上面
BFS全称广度优先算法，即优先处理比较近节点。
注意，BFS默认了处理的图是等权的，即节点距离是均匀的。
因为这个前提，只需建立一个普通队列(FIFO)，也就是open_set，而无需额外计算代价。
而lua中表的特性使得其十分容易实现。 下列代码中采用的方法是，插入表头，读取表尾，从而形成一个简单队列。
function bfs(config)
--配置
local start = config.start
local goal = config.goal
local get_node_key = config.get_node_key
local get_neighbors = config.get_neighbors
--内部设置
local open_set={
local closed_set={}
local path_set = {}
local nodes_set = {}
local start_key = get_node_key(start)
local goal_key = get_node_key(goal)
table.insert(open_set,start_key)
nodes_set[start_key] = start
while next(open_set) do
--优先队列
local curr_key = open_set[#open_set]
--判断是否抵达
if curr_key == goal then
--恢复路径
local path = {}
local key = curr_key
while key do
table.insert(path)
key = path_set[key]
end
return path
end
--标记已处理
closed_set[key] = true
--处理邻居
local neighbors = get_neighbors(curr_key)
for _,neighbor in ipairs(neighbors) do
local key = get_node_key(neighbor)
--加入节点网络中
if not nodes_set[key] then
nodes_set[key] = neighbor
end
-- 处理邻居
if not closed_set then
table.insert(open_set,1,key)
path_set[key] = curr_key
end
end
end
return nil
end
Astar算法是启发式的，与BFS算法不同的是，Asta算法在搜索过程中是知道终点的信息的，即在此引入的代价：
代价更新
a_star
local comp = self:get_comp()
我去