1. 实际距离(f) = 实际代价(g) + 预估代价(h)
如图我们从起点到终点位置需要绕开障碍物，我们实际走的距离是称为实际代价， 而中间位置到达终点位置，我们的路线不确定， 所以算作预估代价。
2. 曼哈顿距离
图中的红色线 就是曼哈顿距离
做启发式寻路，就是从起点位置不停的找可以走的点， 然后计算实际代价和预估代价，所以预估代价需要不停的计算，这个计算的次数非常大，为了方便计算，所以预估代价我们用曼哈顿距离计算。
3. 启发式寻路的思想
第一步
如图 想从起点到达终点 怎样找到最进的位置， 我在在起点位置找到可以走的所有方格 ，计算它的实际代价(g)和预估代价(h)，找到实际距离 (f) 最小的空格，显然50是最小的。 随机找一个50 空格填入黄色格子。
第二步
在已经选中的黄色格子中周围继续补上白色格子，计算他们对应的 g h 和f值，根据f最小原则， 找到第二个黄色格子 f=50。
第三步
给第二个黄色格子，周围的白色补上 g h f 值，然后在剩余的白色格子中找到一个 f最小的值的格子。找到依然是50
第四步
给第三个黄色格子填上周围填上 g h f 值，然后查看所有白色格子中， 最小f值的格子 显然是64。
第五步
同上，然后把找到的格子填上黄色，然后计算周围可用的白色格子，并填上 g h f 值， 依然找最小的f 依然是64
第六步
同上，然后把找到的格子填上黄色，然后计算周围可用的白色格子，并填上 g h f 值， 依然找最小的f 依然是64
第七步
给64 这个格子填上黄色，然后继续给周围可以用的白色格子，填上对应的 g h f 值，找都爱有值的白色格子的f值最小的格子 是 58这个格子
第八步
然后给58 这个格子填上黄色，然后继续给周围的白色格子 填上 g h f 值（漏了一个白色格子，不过不影响结果）。最终找到白色格子中值最小的是 终点格子 52。
至此 我们就寻找到了终点位置，那么如何确定路线呢？
4. 开放列表与关闭列表
上面我们分析了启发式寻路的思想，这种时候我们介绍两个概念， 关闭列表和开放列表。 上图中的开放列表 就是白色格子， 黄色格子就是关闭列表。 我们每次都在白色格子中找最小值，然后放到黄色格子， 然后在黄色格子周围开辟新的格子，添加到开放列表中， 然后继续找最小，依次类推。
PriorityQueue优先级队列 开放列表的数据可以使用优先级队列存储， 默认它会把最小值 元素放在最上面。
5. 模型建立
如图，我们可以给所有的格子编上号码，便于识别。根据上面的分析，我们可以根据 白色格子的数值的填充过程建一棵树； 比如
1、起点 14 生成了 8 9 13 18 19 这五个白格子；
2、找到一个最小的f距离 9 ，当然这里有三个最小，随机找的9 也可以是其他。 在9 周围生成3个格子
3、 然后另外最小的格子，13 生成 7 12 17 ；
4、剩下的最小格子就是19 ， 在它周围生成了 21 22两个格子。
5、接下来最小值就是64 一次生成了 1 和 20 两个格子
6、接着剩下的最小格子，依然是64 编号是4，生成 5和10 两个白色格子 （注意：过程是根据代码逻辑，可能第一次就找到4 这个格子，然后第五步就可以省略 ）
7、然后找到最小格子 10 生成了6 11 16 15 四个格子，并且终点是16.
根据上面的步骤，我们就生成了一棵树。并且找到了终点。 如何找到最短路径呢， 其实我们从终点开始循环遍历，找父节点，最终路径就是一条最短路径。
我们可以使用一个栈数据结构存储， 从终点节点向上找父节点，入栈，然后在找这个节点的父节点入栈。
最后从栈中取出 格子，就是我们需要走的最短路径： 14 -> 9 -> 4 -> 10 -> 16
博客图片资源
