概要
- 勉強のためA*（A-star）アルゴリズムによる探索をPythonで書いてみます。
- 簡単なグリッドの迷路を使います。迷路のコードなどは以前書いた「深さ優先探索をPythonで書く
」のものを流用します。
使うもの
- Python 3.8.5
A*アルゴリズムとは
現時点までの距離としてのgと、ゴールまでの推定値hの和の値を探索時のパラメーターとして使い、経路の最短距離を比較的少ない探索コストで算出するアルゴリズムです。ゲームなどでよく使われます。
探索コストが低めな一方で最短距離が算出されないケースがある深さ優先探索（depth-first search / DFS）や最短距離は算出できるものの計算コストが高くなりがちな幅優先探索（breadth-first search / BFS）よりも優れた結果になる傾向があります。
元々は1968年に発表された論文によるものになっています。最短距離を見つけるアルゴリズム群を論文中で「許容的 - Admissible」と表記していたことにちなんで先頭のAをそのアルゴリズムの集合、最短経路算出の評価回数が最適になるものをA*と表記していたことがアルゴリズムの名前の由来になっています。
論文リンク : A formal Basis for the Heuristic Determination of Minimum Cost Paths
計算内容
ある位置（ノード・node）のnへの移動のコストのトータルを$f(n)$、開始位置からnの位置のノードまでのコストを$g(n)$、ヒューリスティック（heuristic）と呼ばれる値（ゴールまでの距離の推定値）を算出する関数を$h(n)$とすると、$f(n)$は以下のような和で算出されます。
f(n) = g(n) + h(n)
厳密ではないのですが、本記事では計算をシンプルにするために$g(n)$の計算を、単純にスタートから移動したノードの数として計算します（シンプルに1つ移動する度に1加算する形で対応）。
また、$h(n)$の計算は今回解く迷路はグリッドの形式で上下左右に移動が可能なタイプで進めるため、上下左右の移動1つ分を距離1とするマンハッタン距離を使います。
Pythonでの実装
理解のためにPythonでコードを書いていきます。
グリッドの迷路を作るコードの対応
迷路のグリッドを作る処理は「深さ優先探索をPythonで書く」のものを流用します。説明の詳細はリンク先に書いてあるので割愛しますが、大雑把にまとめると以下のようなものになります。
- 定義されている行と列数によるグリッドで表現される。
- 迷路の入口（Start）をS、出口（Goal）をG、壁（Wall）の通れない部分をW、通れる箇所を空のセル、算出された経路をアスタリスク（*）で表現する。
- 壁のセルはランダムに生成されるので、出口にたどり着けない生成結果が発生しうる。
from __future__ import annotations
from typing import Optional
from typing import List
import random
# 入口用の定数値。
CELL_TYPE_START: str = 'S'
# 通路用の定数値。
CELL_TYPE_PASSAGE: str = ' '
# 壁の定数値。
CELL_TYPE_WALL: str = 'W'
# 出口の定数値。
CELL_TYPE_GOAL: str = 'G'
# 算出されたルートのパス用の定数値。
CELL_TYPE_PATH: str = '*'
class Location:
def __init__(self, row: int, column: int) -> None:
"""
迷路のグリッドの位置情報単体を扱うクラス。
Parameters
----------
row : int
位置の行番号。0からスタートし、上から下に向かって1ずつ
加算される。
column : int
位置の列番号。0からスタートし、左から右に向かって1ずつ
加算される。
"""
self.row: int = row
self.column: int = column
class Maze:
# 生成する迷路のグリッドの縦の件数。
_ROW_NUM: int = 7
# 生成する迷路のグリッドの横の件数。
_COLUMN_NUM: int = 15
# 生成する壁の比率。1.0に近いほど壁が多くなる。
_WALL_SPARSENESS: float = 0.3
def __init__(self) -> None:
"""
ランダムな迷路のグリッドの生成・制御などを扱うクラス。
Notes
-----
ランダムに各セルタイプが設定されるため、必ずしもスタートから
ゴールに到達できるものができるわけではない点には注意。
"""
self._set_start_and_goal_location()
self._grid: List[List[str]] = []
self._fill_grid_by_passage_cell()
self._set_wall_type_to_cells_randomly()
self._set_start_and_goal_type_to_cell()
def _set_start_and_goal_location(self) -> None:
"""
開始地点（入口）とゴール（出口）の座標の属性を設定する。
"""
self.start_loc: Location = Location(row=0, column=0)
self.goal_loc: Location = Location(
row=self._ROW_NUM - 1,
column=self._COLUMN_NUM - 1)
def _fill_grid_by_passage_cell(self) -> None:
"""
全てのセルに対してセルの追加を行い、通路のセルタイプを設定する。
"""
for row in range(self._ROW_NUM):
row_cells: List[str] = []
for column in range(self._COLUMN_NUM):
row_cells.append(CELL_TYPE_PASSAGE)
self._grid.append(row_cells)
def _set_wall_type_to_cells_randomly(self) -> None:
"""
グリッドの各セルへ、ランダムに壁のセルタイプを設定する。
"""
for row in range(self._ROW_NUM):
for column in range(self._COLUMN_NUM):
probability = random.uniform(0.0, 1.0)
if probability >= self._WALL_SPARSENESS:
continue
self._grid[row][column] = CELL_TYPE_WALL
def _set_start_and_goal_type_to_cell(self) -> None:
"""
開始（入口）とゴール（出口）の位置にそれぞれの
セルタイプを設定する。
"""
self._grid[self.start_loc.row][self.start_loc.column] = \
CELL_TYPE_START
self._grid[self.goal_loc.row][self.goal_loc.column] = \
CELL_TYPE_GOAL
def is_goal_loc(self, location: Location) -> bool:
"""
指定された位置がゴールの位置かどうかの真偽値を取得する。
Parameters
----------
location : Location
判定用の位置。
Returns
-------
result : bool
ゴールの位置であればTrueが設定される。
"""
if (location.row == self.goal_loc.row
and location.column == self.goal_loc.column):
return True
return False
def get_movable_locations(self, location: Location) -> List[Location]:
"""
指定された位置から、移動が可能な位置のリストを取得する。
Parameters
----------
location : Location
基準となる位置のインスタンス。
Returns
-------
movable_locations : list of Location
移動可能な位置のインスタンスを格納したリスト。
"""
movable_locations: List[Location] = []
# 上に移動可能かどうかの判定処理。
if location.row + 1 < self._ROW_NUM:
is_wall: bool = self._grid[location.row + 1][location.column] \
== CELL_TYPE_WALL
if not is_wall:
movable_locations.append(
Location(row=location.row + 1, column=location.column))
# 下に移動可能かどうかの判定処理。
if location.row - 1 >= 0:
is_wall = self._grid[location.row - 1][location.column] \
== CELL_TYPE_WALL
if not is_wall:
movable_locations.append(
Location(row=location.row - 1, column=location.column))
# 右に移動可能かどうかの判定処理。
if location.column + 1 < self._COLUMN_NUM:
is_wall = self._grid[location.row][location.column + 1] \
== CELL_TYPE_WALL
if not is_wall:
movable_locations.append(
Location(row=location.row, column=location.column + 1))
# 左に移動可能かどうかの判定処理。
if location.column - 1 >= 0:
is_wall = self._grid[location.row][location.column - 1] \
== CELL_TYPE_WALL
if not is_wall:
movable_locations.append(
Location(row=location.row, column=location.column - 1))
return movable_locations
def set_path_type_to_cells(self, path: List[Location]) -> None:
"""
入口と出口までの指定されたパス内に含まれるセルに対して、
パスのセルタイプを設定する。
Parameters
----------
path : list of Location
探索で得られた入口から出口までの各セルの位置情報を
格納したリスト。
"""
for location in path:
self._grid[location.row][location.column] = CELL_TYPE_PATH
# パス内に含まれている入口と出口の部分は、それぞれ元の
# セルタイプを反映する。
self._grid[self.start_loc.row][self.start_loc.column] = \
CELL_TYPE_START
self._grid[self.goal_loc.row][self.goal_loc.column] = \
CELL_TYPE_GOAL
def __str__(self) -> str:
"""
グリッドの各セルのタイプの文字列を取得する。
Returns
-------
grid_str : str
グリッドの各セルのタイプの文字列。
"""
grid_str: str = ''
for row_cells in self._grid:
grid_str += '-' * self._COLUMN_NUM * 2
grid_str += '\n'
for cell_type in row_cells:
grid_str += cell_type
grid_str += '|'
grid_str += '\n'
return grid_str
class Node:
def __init__(self, location: Location, parent: Optional[Node]):
"""
迷路の位置や推移の情報などを保持するためのノード単体のデータを
扱うクラス。
Parameters
----------
location : Location
対象の位置情報を扱うインスタンス。
parent : Node or None
移動前の位置情報を扱うノードのインスタンス。探索開始時
などにはNoneとなる。
"""
self.location: Location = location
self.parent: Optional[Node] = parent
def get_path_from_goal_node(goal_node: Node) -> List[Location]:
"""
出口のノードから、探索で取得できた入口 → 出口までのパスを
取得する。
Parameters
----------
goal_node : Node
対象の出口（ゴール）のノードのインスタンス。
Returns
-------
path : list of Location
入口から出口までの各位置のインスタンスを格納したリスト。
"""
path: List[Location] = [goal_node.location]
node: Node = goal_node
while node.parent is not None:
node = node.parent
path.append(node.location)
path.reverse()
return path
試しに生成した迷路を出力してみると、以下のようにグリッドで表示されます。
if __name__ == '__main__':
maze = Maze()
print(maze)
------------------------------
S| |W| |W| | | |W| |W| |W| |W|
------------------------------
W| | | | | |W| | | |W|W| |W|W|
------------------------------
W| | | | |W| | | |W|W| | | | |
------------------------------
| |W| |W|W| | | | | | | |W|W|
------------------------------
W|W|W| | | |W| | | | | | | |W|
------------------------------
W|W| | | | | | | |W| |W| | | |
------------------------------
W|W| | | | |W| | | | | | | |G|
優先度付きキューの作成とNodeクラスの調整
A*のアルゴリズムではデータ構造として優先度付きキュー（priority queue）を使います。これは、キューへ値を優先度付きで追加し、値を取り出す際にも最も高い優先度を持つ値が対象になるという特殊なキューです。
優先度の値の算出にはキューに追加するノードのインスタンスに対するless thanの比較のオペレーター（ < ）で行われるため、Nodeクラスに__lt__のメソッドを追加する必要があります。
__lt__メソッドの中ではコストの計算式における$g(n) + h(n)$の算出と、別のノードに対する比較が行われます。
また、計算で必要になるため$g(n)$の値と$h(n)$の値もクラスの属性に持つように調整します。
class Node:
def __init__(
self, location: Location, parent: Optional[Node],
cost: float, heuristic:float) -> None:
"""
迷路の位置や推移の情報などを保持するためのノード単体のデータを
扱うクラス。
Parameters
----------
location : Location
対象の位置情報を扱うインスタンス。
parent : Node or None
移動前の位置情報を扱うノードのインスタンス。探索開始時
などにはNoneとなる。
cost : float
開始位置から該当のノードの位置までのコスト値（g(n)で
得られる値）。
heuristic : float
このノードから出口までの距離の推定値（h(n)で得られる値）。
"""
self.location: Location = location
self.parent: Optional[Node] = parent
self.cost = cost
self.heuristic = heuristic
def __lt__(self, other_node: Node) -> bool:
"""
比較のオペレーター( < )による処理のためのメソッド。
優先度付きキューの制御のために利用される。
Parameters
----------
other_node : Node
比較対象となる他のノードのインスタンス。
Returns
-------
result_bool : bool
比較結果。算出処理は入口からのコスト（g(n)）と
ヒューリスティックの値（h(n)）の合算値の比較で
行われる。
"""
left_value: float = self.cost + self.heuristic
right_value: float = other_node.cost + other_node.heuristic
result_bool: bool = left_value < right_value
return result_bool
今まで自前で__lt__のメソッドを使ったことが無かったので、試しに複数のインスタンスを作ってみて比較して結果を確認してみます。costとheuristicの合算値で比較がされるので、最初の比較がFalse、次がTrueになって返ってきます。
if __name__ == '__main__':
node_1 = Node(
location=Location(row=0, column=0),
parent=None,
cost=2, heuristic=2)
node_2 = Node(
location=Location(row=0, column=0),
parent=None,
cost=1, heuristic=2)
node_3 = Node(
location=Location(row=0, column=0),
parent=None,
cost=3, heuristic=2)
print(node_1 < node_2)
print(node_1 < node_3)
False
True
続いて優先度付きキュー（priority queue）の方を用意していきます。優先度付きキューの処理は、Python標準モジュールのheapqパッケージを使うことで対応ができます。
import heapq
...
class PriorityQueue:
def __init__(self) -> None:
"""
優先度付きキューの制御を行うためのクラス。
"""
self._container: List[Node] = []
@property
def empty(self) -> bool:
"""
キューが空かどうかの属性値。
Returns
-------
result : bool
空の場合にTrueが設定される。
"""
return not self._container
def push(self, node: Node) -> None:
"""
キューへのノードのインスタンスの追加を行う。
Parameters
----------
node : Node
追加対象のノードのインスタンス。
"""
heapq.heappush(self._container, node)
def pop(self) -> Node:
"""
キューから優先度の一番高いノードのインスタンスを取り出す。
Returns
-------
node : Node
取り出されたNodeクラスのインスタンス。
"""
return heapq.heappop(self._container)
優先度を加味した形で処理がされているかどうかの実際に少し動かして試してみます。
注意すべき点として、「コストが低い方が好ましい（=優先度が高い）」形になります。コストの合算値の高い方からpopで取り出されるわけではありません。
if __name__ == '__main__':
priority_queue = PriorityQueue()
priority_queue.push(
node=Node(
location=Location(row=0, column=0),
parent=None,
cost=1,
heuristic=1))
priority_queue.push(
node=Node(
location=Location(row=0, column=0),
parent=None,
cost=3,
heuristic=3))
priority_queue.push(
node=Node(
location=Location(row=0, column=0),
parent=None,
cost=2,
heuristic=3))
node: Node = priority_queue.pop()
print(node.cost, node.heuristic)
node = priority_queue.pop()
print(node.cost, node.heuristic)
node = priority_queue.pop()
print(node.cost, node.heuristic)
出力結果が、コストの合算値が低い順に取り出されていることが確認できます。
1 1
2 3
3 3
対象の位置と出口（ゴール）の位置とのマンハッタン距離の取得処理の追加
今回ヒューリスティック（$h(n)$）の算出にはグリッド形式の迷路なためマンハッタン距離を使うのでその関数をMazeクラスに追加しておきます。
def get_manhattan_distance(self, location: Location) -> int:
"""
対象の位置と出口（ゴール）の位置間でのマンハッタン距離を
取得する。
Parameters
----------
location : Location
対象の位置のインスタンス。
Returns
-------
distance : int
対象の位置と出口の位置間のマンハッタン距離。列方向の
差異の絶対値と行方向の差異の絶対値の合計が設定される。
"""
x_distance: int = abs(location.column - self.goal_loc.column)
y_distance: int = abs(location.row - self.goal_loc.column)
distance: int = x_distance + y_distance
return distance
A*アルゴリズムの関数の追加
諸々の必要な準備が出来たので、A*アルゴリズム用の関数を作っていきます。
関数名はastarとしました。
from typing import Callable, Dict
...
def astar(
init_loc: Location,
is_goal_loc_method: Callable[[Location], bool],
get_movable_locations_method: Callable[[Location], List[Location]],
hueristic_method: Callable[[Location], int],
) -> Optional[Node]:
"""
A*アルゴリズムによる探索処理を行う。
Parameters
----------
init_loc : Location
探索開始位置（迷路の入口の位置）。
is_goal_loc_method : callable
対象の位置が出口（ゴール）かどうかの判定を行うメソッド。
get_movable_locations_method : callable
対象の位置からの移動先のセルの位置のリストを取得するメソッド。
hueristic_method : callable
対象の位置から出口（ゴール）までの位置の間の距離を取得する
ためのヒューリスティック用のメソッド。
Returns
-------
goal_node : Node or None
算出された出口の位置のノードのインスタンス。出口までの
経路が算出できないケースではNoneが設定される。
"""
frontier_queue: PriorityQueue = PriorityQueue()
frontier_queue.push(
node=Node(
location=init_loc,
parent=None,
cost=0,
heuristic=hueristic_method(init_loc)))
explored_loc_cost_dict: Dict[Location, float] = {init_loc: 0.0}
while not frontier_queue.empty:
current_node: Node = frontier_queue.pop()
current_loc: Location = current_node.location
if is_goal_loc_method(current_loc):
return current_node
movable_locations = get_movable_locations_method(current_loc)
for movable_location in movable_locations:
new_cost: float = current_node.cost + 1
# 新しい移動先が既に探索済みで、且つコスト的にも優位ではない
# 場合にはスキップする。
if (movable_location in explored_loc_cost_dict and
explored_loc_cost_dict[movable_location] <= new_cost):
continue
explored_loc_cost_dict[movable_location] = new_cost
frontier_queue.push(
node=Node(
location=movable_location,
parent=current_node,
cost=new_cost,
heuristic=hueristic_method(movable_location)))
return None
以前書いた「深さ優先探索をPythonで書く
」の記事内のdfs関数と似たような流れになっています。部分的に処理が異なっているのでその差異を中心に説明していきます。
まずは引数ですがヒューリスティック用のCallableのもの（hueristic_method）が追加になっています。これは今回のサンプルでは少し前に追加したマンハッタン距離を算出するメソッドを指定します。
frontier_queue: PriorityQueue = PriorityQueue()
frontier_queue.push(
node=Node(
location=init_loc,
parent=None,
cost=0,
heuristic=hueristic_method(init_loc)))
また、キューも優先度付きキューのものに差し替えてあります（frontier_queue）。
このキューに探索予定のノードを追加していっています。
explored_loc_cost_dict: Dict[Location, float] = {init_loc: 0.0}
探索済みのノードを保持する辞書は、キーに位置、値にコスト（$g(n)$）の値を保持する形にしてあります。1回移動する度に1インクリメントしていくシンプルな方式なので、最初は0.0を設定します。
while not frontier_queue.empty:
current_node: Node = frontier_queue.pop()
current_loc: Location = current_node.location
探索予定のノードがキューから無くなるまでwhileループで処理を繰り返すところは変わりません。
if is_goal_loc_method(current_loc):
return current_node
対象のノードが出口（ゴール）であれば、出口のノードを返却して処理を終えるところも同じです。
movable_locations = get_movable_locations_method(current_loc)
for movable_location in movable_locations:
new_cost: float = current_node.cost + 1
現在の探索対象のノードから移動先となる各位置に対してforループでそれぞれ処理をしています。
今回は移動するごとにコスト（$g(n)$）を1インクリメントするシンプルな形で実装してあります。
# 新しい移動先が既に探索済みで、且つコスト的にも優位ではない
# 場合にはスキップする。
if (movable_location in explored_loc_cost_dict and
explored_loc_cost_dict[movable_location] <= new_cost):
continue
探索済みの位置であっても、コスト的に優位であれば探索する価値があります。もし探索済みで且つコスト的にも変わらない、もしくは悪化する位置の場合には探索するメリットが無いのでスキップします。
explored_loc_cost_dict[movable_location] = new_cost
frontier_queue.push(
node=Node(
location=movable_location,
parent=current_node,
cost=new_cost,
heuristic=hueristic_method(movable_location)))
探索する価値がある条件であれば、探索済みの辞書にコストなどの値の設定と探索対象の優先度付きキューにノードを追加しています。
優先度の高いものから先に処理されていくので、探索コストに優れた探索をすることができます。
return None
生成される迷路によっては出口までの経路が無い場合もあるのでその場合にはNoneを返却しています。
実行してみます。
if __name__ == '__main__':
maze: Maze = Maze()
print(maze)
goal_node: Optional[Node] = astar(
init_loc=maze.start_loc,
is_goal_loc_method=maze.is_goal_loc,
get_movable_locations_method=maze.get_movable_locations,
hueristic_method=maze.get_manhattan_distance,
)
if goal_node is None:
print('出口が算出できない迷路です。')
else:
print('-' * 20)
path: List[Location] = get_path_from_goal_node(
goal_node=goal_node)
maze.set_path_type_to_cells(path=path)
print('算出されたパス :')
print(maze)
算出されたパス :
------------------------------
S|*|*|*|*| | | |W| | | |W|W|W|
------------------------------
W| | |W|*|*|W|W|W| | | | |W| |
------------------------------
W|W| |W|W|*|W| | | | |W|W|W|W|
------------------------------
W|W|W| | |*|*|W| |W| | | | | |
------------------------------
|W|W|W| | |*|W| | | | | |W| |
------------------------------
| | | | |W|*|*|*|*|*| | |W| |
------------------------------
|W| | |W|W|W| |W| |*|*|*|*|G|
グリッドのSが入口（スタート）、Gが出口（ゴール）、アスタリスクの部分が探索によって算出されたパスです。
無事入口から出口までのパスが算出できています。
探索結果が直角気味になる幅優先探索などと比べると、対角気味なパスが得られているのがA*の特徴とのことです。実際に今回試したサンプルでも対角気味なパスになっています。
コード全体
from __future__ import annotations
from typing import Optional
from typing import List
import random
import heapq
from typing import Callable, Dict
# 入口用の定数値。
CELL_TYPE_START: str = 'S'
# 通路用の定数値。
CELL_TYPE_PASSAGE: str = ' '
# 壁の定数値。
CELL_TYPE_WALL: str = 'W'
# 出口の定数値。
CELL_TYPE_GOAL: str = 'G'
# 算出されたルートのパス用の定数値。
CELL_TYPE_PATH: str = '*'
class Location:
def __init__(self, row: int, column: int) -> None:
"""
迷路のグリッドの位置情報単体を扱うクラス。
Parameters
----------
row : int
位置の行番号。0からスタートし、上から下に向かって1ずつ
加算される。
column : int
位置の列番号。0からスタートし、左から右に向かって1ずつ
加算される。
"""
self.row: int = row
self.column: int = column
class Maze:
# 生成する迷路のグリッドの縦の件数。
_ROW_NUM: int = 7
# 生成する迷路のグリッドの横の件数。
_COLUMN_NUM: int = 15
# 生成する壁の比率。1.0に近いほど壁が多くなる。
_WALL_SPARSENESS: float = 0.3
def __init__(self) -> None:
"""
ランダムな迷路のグリッドの生成・制御などを扱うクラス。
Notes
-----
ランダムに各セルタイプが設定されるため、必ずしもスタートから
ゴールに到達できるものができるわけではない点には注意。
"""
self._set_start_and_goal_location()
self._grid: List[List[str]] = []
self._fill_grid_by_passage_cell()
self._set_wall_type_to_cells_randomly()
self._set_start_and_goal_type_to_cell()
def _set_start_and_goal_location(self) -> None:
"""
開始地点（入口）とゴール（出口）の座標の属性を設定する。
"""
self.start_loc: Location = Location(row=0, column=0)
self.goal_loc: Location = Location(
row=self._ROW_NUM - 1,
column=self._COLUMN_NUM - 1)
def _fill_grid_by_passage_cell(self) -> None:
"""
全てのセルに対してセルの追加を行い、通路のセルタイプを設定する。
"""
for row in range(self._ROW_NUM):
row_cells: List[str] = []
for column in range(self._COLUMN_NUM):
row_cells.append(CELL_TYPE_PASSAGE)
self._grid.append(row_cells)
def _set_wall_type_to_cells_randomly(self) -> None:
"""
グリッドの各セルへ、ランダムに壁のセルタイプを設定する。
"""
for row in range(self._ROW_NUM):
for column in range(self._COLUMN_NUM):
probability = random.uniform(0.0, 1.0)
if probability >= self._WALL_SPARSENESS:
continue
self._grid[row][column] = CELL_TYPE_WALL
def _set_start_and_goal_type_to_cell(self) -> None:
"""
開始（入口）とゴール（出口）の位置にそれぞれの
セルタイプを設定する。
"""
self._grid[self.start_loc.row][self.start_loc.column] = \
CELL_TYPE_START
self._grid[self.goal_loc.row][self.goal_loc.column] = \
CELL_TYPE_GOAL
def is_goal_loc(self, location: Location) -> bool:
"""
指定された位置がゴールの位置かどうかの真偽値を取得する。
Parameters
----------
location : Location
判定用の位置。
Returns
-------
result : bool
ゴールの位置であればTrueが設定される。
"""
if (location.row == self.goal_loc.row
and location.column == self.goal_loc.column):
return True
return False
def get_movable_locations(self, location: Location) -> List[Location]:
"""
指定された位置から、移動が可能な位置のリストを取得する。
Parameters
----------
location : Location
基準となる位置のインスタンス。
Returns
-------
movable_locations : list of Location
移動可能な位置のインスタンスを格納したリスト。
"""
movable_locations: List[Location] = []
# 上に移動可能かどうかの判定処理。
if location.row + 1 < self._ROW_NUM:
is_wall: bool = self._grid[location.row + 1][location.column] \
== CELL_TYPE_WALL
if not is_wall:
movable_locations.append(
Location(row=location.row + 1, column=location.column))
# 下に移動可能かどうかの判定処理。
if location.row - 1 >= 0:
is_wall = self._grid[location.row - 1][location.column] \
== CELL_TYPE_WALL
if not is_wall:
movable_locations.append(
Location(row=location.row - 1, column=location.column))
# 右に移動可能かどうかの判定処理。
if location.column + 1 < self._COLUMN_NUM:
is_wall = self._grid[location.row][location.column + 1] \
== CELL_TYPE_WALL
if not is_wall:
movable_locations.append(
Location(row=location.row, column=location.column + 1))
# 左に移動可能かどうかの判定処理。
if location.column - 1 >= 0:
is_wall = self._grid[location.row][location.column - 1] \
== CELL_TYPE_WALL
if not is_wall:
movable_locations.append(
Location(row=location.row, column=location.column - 1))
return movable_locations
def set_path_type_to_cells(self, path: List[Location]) -> None:
"""
入口と出口までの指定されたパス内に含まれるセルに対して、
パスのセルタイプを設定する。
Parameters
----------
path : list of Location
探索で得られた入口から出口までの各セルの位置情報を
格納したリスト。
"""
for location in path:
self._grid[location.row][location.column] = CELL_TYPE_PATH
# パス内に含まれている入口と出口の部分は、それぞれ元の
# セルタイプを反映する。
self._grid[self.start_loc.row][self.start_loc.column] = \
CELL_TYPE_START
self._grid[self.goal_loc.row][self.goal_loc.column] = \
CELL_TYPE_GOAL
def get_manhattan_distance(self, location: Location) -> int:
"""
対象の位置と出口（ゴール）の位置間でのマンハッタン距離を
取得する。
Parameters
----------
location : Location
対象の位置のインスタンス。
Returns
-------
distance : int
対象の位置と出口の位置間のマンハッタン距離。列方向の
差異の絶対値と行方向の差異の絶対値の合計が設定される。
"""
x_distance: int = abs(location.column - self.goal_loc.column)
y_distance: int = abs(location.row - self.goal_loc.column)
distance: int = x_distance + y_distance
return distance
def __str__(self) -> str:
"""
グリッドの各セルのタイプの文字列を取得する。
Returns
-------
grid_str : str
グリッドの各セルのタイプの文字列。
"""
grid_str: str = ''
for row_cells in self._grid:
grid_str += '-' * self._COLUMN_NUM * 2
grid_str += '\n'
for cell_type in row_cells:
grid_str += cell_type
grid_str += '|'
grid_str += '\n'
return grid_str
class Node:
def __init__(
self, location: Location, parent: Optional[Node],
cost: float, heuristic:float) -> None:
"""
迷路の位置や推移の情報などを保持するためのノード単体のデータを
扱うクラス。
Parameters
----------
location : Location
対象の位置情報を扱うインスタンス。
parent : Node or None
移動前の位置情報を扱うノードのインスタンス。探索開始時
などにはNoneとなる。
cost : float
開始位置から該当のノードの位置までのコスト値（g(n)で
得られる値）。
heuristic : float
このノードから出口までの距離の推定値（h(n)で得られる値）。
"""
self.location: Location = location
self.parent: Optional[Node] = parent
self.cost = cost
self.heuristic = heuristic
def __lt__(self, other_node: Node) -> bool:
"""
比較のオペレーター( < )による処理のためのメソッド。
優先度付きキューの制御のために利用される。
Parameters
----------
other_node : Node
比較対象となる他のノードのインスタンス。
Returns
-------
result_bool : bool
比較結果。算出処理は入口からのコスト（g(n)）と
ヒューリスティックの値（h(n)）の合算値の比較で
行われる。
"""
left_value: float = self.cost + self.heuristic
right_value: float = other_node.cost + other_node.heuristic
result_bool: bool = left_value < right_value
return result_bool
def get_path_from_goal_node(goal_node: Node) -> List[Location]:
"""
出口のノードから、探索で取得できた入口 → 出口までのパスを
取得する。
Parameters
----------
goal_node : Node
対象の出口（ゴール）のノードのインスタンス。
Returns
-------
path : list of Location
入口から出口までの各位置のインスタンスを格納したリスト。
"""
path: List[Location] = [goal_node.location]
node: Node = goal_node
while node.parent is not None:
node = node.parent
path.append(node.location)
path.reverse()
return path
class PriorityQueue:
def __init__(self) -> None:
"""
優先度付きキューの制御を行うためのクラス。
"""
self._container: List[Node] = []
@property
def empty(self) -> bool:
"""
キューが空かどうかの属性値。
Returns
-------
result : bool
空の場合にTrueが設定される。
"""
return not self._container
def push(self, node: Node) -> None:
"""
キューへのノードのインスタンスの追加を行う。
Parameters
----------
node : Node
追加対象のノードのインスタンス。
"""
heapq.heappush(self._container, node)
def pop(self) -> Node:
"""
キューから優先度の一番高いノードのインスタンスを取り出す。
Returns
-------
node : Node
取り出されたNodeクラスのインスタンス。
"""
return heapq.heappop(self._container)
def astar(
init_loc: Location,
is_goal_loc_method: Callable[[Location], bool],
get_movable_locations_method: Callable[[Location], List[Location]],
hueristic_method: Callable[[Location], int],
) -> Optional[Node]:
"""
A*アルゴリズムによる探索処理を行う。
Parameters
----------
init_loc : Location
探索開始位置（迷路の入口の位置）。
is_goal_loc_method : callable
対象の位置が出口（ゴール）かどうかの判定を行うメソッド。
get_movable_locations_method : callable
対象の位置からの移動先のセルの位置のリストを取得するメソッド。
hueristic_method : callable
対象の位置から出口（ゴール）までの位置の間の距離を取得する
ためのヒューリスティック用のメソッド。
Returns
-------
goal_node : Node or None
算出された出口の位置のノードのインスタンス。出口までの
経路が算出できないケースではNoneが設定される。
"""
frontier_queue: PriorityQueue = PriorityQueue()
frontier_queue.push(
node=Node(
location=init_loc,
parent=None,
cost=0,
heuristic=hueristic_method(init_loc)))
explored_loc_cost_dict: Dict[Location, float] = {init_loc: 0.0}
while not frontier_queue.empty:
current_node: Node = frontier_queue.pop()
current_loc: Location = current_node.location
if is_goal_loc_method(current_loc):
return current_node
movable_locations = get_movable_locations_method(current_loc)
for movable_location in movable_locations:
new_cost: float = current_node.cost + 1
# 新しい移動先が既に探索済みで、且つコスト的にも優位ではない
# 場合にはスキップする。
if (movable_location in explored_loc_cost_dict and
explored_loc_cost_dict[movable_location] <= new_cost):
continue
explored_loc_cost_dict[movable_location] = new_cost
frontier_queue.push(
node=Node(
location=movable_location,
parent=current_node,
cost=new_cost,
heuristic=hueristic_method(movable_location)))
return None
if __name__ == '__main__':
maze: Maze = Maze()
print(maze)
goal_node: Optional[Node] = astar(
init_loc=maze.start_loc,
is_goal_loc_method=maze.is_goal_loc,
get_movable_locations_method=maze.get_movable_locations,
hueristic_method=maze.get_manhattan_distance,
)
if goal_node is None:
print('出口が算出できない迷路です。')
else:
print('-' * 20)
path: List[Location] = get_path_from_goal_node(
goal_node=goal_node)
maze.set_path_type_to_cells(path=path)
print('算出されたパス :')
print(maze)
余談
- 元々デザイン方面の学校卒なので、コンピューターサイエンス方面で知識的に雑な点などへの強めのマサカリはご容赦くださいmm