A* 算法由 Hart、Nilsson 和 Raphael 于 1968 年在斯坦福研究所提出，旨在解决路径规划问题。该算法结合实际代价 g(n) 与启发式估计 h(n)，通过评价函数 f(n)=g(n)+h(n) 指导搜索。若启发式函数可采纳（不高估真实代价），A* 保证找到最优路径；若一致，则无需重新打开节点。相比 Dijkstra 和贪婪最佳优先搜索，A* 在效率与最优性之间取得平衡，广泛应用于游戏 AI、机器人导航及 NLP 解码等领域。
想象一下，你正身处一座迷宫般的巨大城市中，比如迷雾笼罩的伦敦，你的任务是从特拉法加广场（起点）前往大英博物馆（终点）。你手中有一张地图，但要在成千上万条街道中找到那条绝对最短、最省体力的路线，并非易事。
在 1968 年之前，计算机处理这类问题通常有两种'极端'的思维方式。
这种方法非常严谨：它从起点出发，把周围每一条路都走一遍，计算走到每个路口的确切距离，然后再向外扩展。它的优点是；缺点是——它会毫无方向感地向四面八方探索。即便终点在北边，它也会把南边的路先探个究竟，因为它不仅想找到路，还想确信没有别的路更短。
这种方法完全相反：它只看终点在哪里，始终朝着'看起来更接近目标'的方向移动。优点是速度快；缺点是鲁莽——它可能把你带进死胡同，或者为了保持方向感而错过一条虽然稍微绕道但实际上更短的通途。你可能很快到终点，但未必是最短路线。
1968 年，斯坦福研究所（SRI）的三位科学家 Peter Hart、Nils Nilsson 和 Bertram Raphael 提出了 A*（A-Star）算法。它的核心秘密是给每一个路口（节点）打分，这个分数由两部分组成：
A* 使用评价函数：
$$ f = g + h $$
它既不像 Dijkstra 那样无视方向，也不像贪婪搜索那样无视历史代价，而是优先探索那个'过去代价不大且未来看起来有希望'的节点。论文之所以经典，是因为作者不仅提出了方法，还给出严格证明：
一句话：A* 把'直觉'变成数学上可讨论、可证明、可工程化的对象。
理解 A* 的诞生要回到 20 世纪 60 年代中期 AI 研究前沿。斯坦福研究所（SRI，现 SRI International）的 AI 中心进行了一项雄心勃勃的计划：制造一个能够感知环境、理解指令并自主行动的移动机器人——Shakey the Robot。
Shakey 的任务并不'抽象'：它要在有墙、有桌椅、有箱子的办公环境中自主导航，例如'把 3 号房间的箱子推到 5 号房间'。这意味着它必须在现实世界中规划路线、避开障碍，并尽可能高效。
当时计算资源极其匮乏，算法效率至关重要：如果机器人每走一步都要停下来计算几分钟，它就不可能'行动'。
A* 诞生之前，路径规划存在明显二元对立：
作者观察到：Dijkstra 相当于按 $g(n)$ 排序，启发式搜索按 $h(n)$ 排序。关键洞见是：为什么不把两者统一到同一个评价函数中？
于是有了：
$$ f(n) = g(n) + h(n) $$
这在今天看似简单，但在当时是决定性的结构统一：它将'严谨的成本累计'与'对目标的方向感'在同一个标尺下比较。
论文首先建立严格框架，为后续证明'可采纳性（Admissibility）'与'最优性（Optimality）'奠定基础。
真实世界里，若我们知道：
$$ f(n)=g(n)+h(n) $$
搜索几乎不需要进行。但现实中 $h(n)$ 不可得，因此用估计：
$$ \hat{f}(n)=\hat{g}(n)+\hat{h}(n) $$
其中：
算法维护两个核心数据结构：
| 特性 | BFS | Dijkstra / UCS | 贪婪最佳优先（GBFS） | A* |
|---|---|---|---|---|
| 排序依据 | 深度/跳数 | $g(n)$ | $h(n)$ | $g(n)+h(n)$ |
| 完备性 | 是（有限分支/无环等条件） | 是 | 不一定 | 是（在可采纳等条件下） |
| 最优性 | 仅边权相等时 | 是 | 否 | 是（可采纳性保证） |
| 效率特征 | 低 | 中 | 高但不可靠 | 高且可靠（条件满足时） |
| 依赖信息 | 图结构 | 边权重 | 启发式 | 边权重 + 启发式 |
论文给出 A* 找到最优解的充分条件：对任意节点 $n$，启发式估计不高估真实剩余代价：
$$ \hat{h}(n)\le h(n),\quad \forall n $$
通俗解释：启发式必须'乐观'。它可以低估（让你以为前方可能有高速路），但不能高估（否则会把真正的最短路径提前判死刑）。
矛盾成立，因此假设不成立，A* 必然以最优解终止。
在保证'能找到最优解'之后，论文进一步讨论'效率'与实现复杂度。作者提出比可采纳性更强的条件：一致性（Consistency），现代文献也常称单调性（Monotonicity）。
若对任意后继关系 $m\to n$，满足：
$$ h(m,n) + \hat{h}(n) \ge \hat{h}(m) $$
其中 $h(m,n)$ 是边成本，那么启发式被称为一致。
直观含义：从 $m$ 直接'估计到目标'的代价，不应超过'先走到邻居 $n$，再从 $n$ 估计到目标'的代价之和。启发式不能出现'朝目标走一步，估计突然跳水式下降'的非理性波动。
一致性最重要的实际意义是：
1968 年论文是开创性的，但并非毫无瑕疵。1972 年作者发布更正短文，澄清了一个关键边界：可采纳性保证正确性，但不必然保证不需要 re-open。
若 $\hat{h}$ 可采纳但不一致，A* 可能先通过次优路径到达某节点并将其关闭，随后发现更短路径到达同一节点。此时：
现代教材往往直接强调'一致性启发式'，正源于这一历史澄清。
A* 的哲学意义在于：它把'知识'变成了一项可以插入计算流程的量——$\hat{h}(n)$ 越接近 $h(n)$，搜索越窄、越快；当 $\hat{h}(n)=0$，算法退化为纯粹的'无知识搜索'。
这揭示了 AI 的一个朴素而深刻的事实：知识可以换算成计算效率。不是玄学，而是结构性收益。
1968 年这篇论文的价值，不在于'提出了一个算法'，而在于它用极其简洁的结构统一了两种长期对立的方法：严谨的 $g$ 与导向性的 $h$，并把启发式搜索从'经验技巧'提升到'可证明的理论框架'。
A* 留给今天的启示可以用一句话收束：
真正强大的算法，不是更复杂，而是把直觉压缩成一个可以被证明的结构。
微信公众号「极客日志」，在微信中扫描左侧二维码关注。展示文案：极客日志 zeeklog
使用加密算法（如AES、TripleDES、Rabbit或RC4）加密和解密文本明文。 在线工具，加密/解密文本在线工具，online
生成新的随机RSA私钥和公钥pem证书。 在线工具，RSA密钥对生成器在线工具，online
基于 Mermaid.js 实时预览流程图、时序图等图表，支持源码编辑与即时渲染。 在线工具，Mermaid 预览与可视化编辑在线工具，online
将字符串编码和解码为其 Base64 格式表示形式即可。 在线工具，Base64 字符串编码/解码在线工具，online
将字符串、文件或图像转换为其 Base64 表示形式。 在线工具，Base64 文件转换器在线工具，online
将 Markdown（GFM）转为 HTML 片段，浏览器内 marked 解析；与 HTML转Markdown 互为补充。 在线工具，Markdown转HTML在线工具，online
