1.存储常用位置间的路径信息（此优化方案一般用于地图较大，且起始点离终点较远情况下）

对于地图信息已知且各障碍位置固定的情况下，可以将常用的位置及其之间的路径信息保存，然后寻路时分别找到离开始点，结束点较近的位置，分别进行寻路，再将路径组合得到最终路径，不过此路径可能较正常寻路出的路径较远但寻路用时较少。

2.启发函数优化

2.1离终点距离公式优化

简单寻路中启发函数公式：

f（寻路消耗）= g（实际消耗也可以说离起点距离）+ h（预计消耗也可以说离终点距离）

一般情况下，h距离使用欧几里得距离公式，即h=

但是对于四方向寻路时（只能前后左右寻路，不能斜角寻路），

h可以使用曼哈顿距离公式，即h = | x1 - x | + | y1 - y |

当对于八方向寻路时，h可以使用切比雪夫距离公式，即h = max（| x1 - x |, | y1 - y |）

2.2增加权重值

简单情况下，寻路消耗是由实际消耗与预计消耗1：1相加得到，但是实际情况是预计消耗是预计值，它不等于真实的距离终点的值，此时可以增加一个系数w，将寻路消耗公式变为

f = g + w * h

此时可以通过修改w的值来改变实际消耗与预计消耗的混合比，比如当w > 1时，寻路消耗会更优先考虑当前路径预计造成的代价，当w < 1时，寻路会更优先考虑当前路径已造成的代价。

2.3寻路消耗比较时启发函数的优化

在开启列表中寻找寻路消耗最小点时，一般情况下避免不了寻路消耗一样的点的出现，此时就需要对这些点进行取舍，而取舍的方式就是为预估函数增加一个微小的偏移量p，这个偏移量p能起作用的原因是：当某两个节点的启发函数值相同时，我们希望优先判断那个距离终点更近的节点，而距离终点近也就意味着其预估函数值更小，所以，如果我们为预估函数增加一个小偏移量p(p甚至可取0.1%左右)，就会使得距终点近的的节点的启发函数值更小，就会被优先选择。因此，我们可以将启发函数进一步优化为如下形式

f = g + w * h + p * h = g + (w + p) * h

2.4减少拐点

寻路有时会出现频繁转向的路径，虽然该路径确实是消耗最小的路径，但是也会存在其他消耗一样的路径且没有过多转向。结合实际，其实转向也是有消耗的，所以可以增加一个值e用来表示转向消耗，当没有转向时e = 0，当转向时e = 1，此时启发函数变为

f = g + (w + p) * h + e

3.开启列表优化

开启列表在寻路中是一个会被频繁插入数据并排序的一个列表，若每次都插入数据再排序会十分消耗性能，所以在插入数据时可以先进行数据比较，再插入数据，就能一定程度上优化开启列表。

4.遍历相邻点优化

寻路是一个重复计算一个点周围所有点距离起点和终点距离的过程，但有时并不需要将周围所有点都纳入计算，比如终点在起点右上方时，起点左下角的个别点其实可以不进行计算，因为它们的消耗一般情况下都会更大，此时循环对这些点进行计算会浪费很多时间，所有在计算时可以舍弃部分点。

但有时舍弃相邻的部分点也会导致寻路得到的路径并不是最优路径，比如起点被障碍包围，只在被舍弃的周围点附近留有缺口时，寻找到的路径就会绕路，这时旧还需优化（但本人没找到好的优化方案^_^）

下面是使用unity实现的可视化A星寻路优化工程

unity工程-A星寻路优化

除了上述几点外，A星寻路还有其他的优化方案，但我在工程中只实现上述几种，并没有实现存储常用位置间的路径信息的优化，而且A星寻路有时就是找不到最优路径，尤其在障碍点较复杂时比如在我工程中的情况，所以还有待优化