Алгоритм поиска пути триангуляции A * (TA *)

Мне нужна помощь в понимании алгоритма треугольника A * (TA *), который описан Демьеном в его статье « Эффективное нахождение путей на основе триангуляции» на страницах 76–81.

Он описывает, как адаптировать обычный алгоритм A * для триангуляции, чтобы искать другие, возможно, более оптимальные пути, даже после того, как конечный узел достигнут / расширен. Обычный A * останавливается, когда последний узел раскрывается, но это не всегда лучший путь при использовании в триангулированном графе. Это именно та проблема, которая у меня возникла.

Проблема проиллюстрирована на странице 78, рисунок 5.4:

Я понимаю, как рассчитать значения g и h, представленные в статье (стр. 80).

И я думаю, что условие остановки поиска:

if (currentNode.fCost > shortestDistanceFound)
{
    // stop
    break;
}

где currentNode - это поисковый узел, извлеченный из открытого списка (приоритетная очередь), который имеет наименьшую f-оценку. shorttestDistanceFound - это фактическое расстояние до самого короткого пути, найденного до сих пор.

Но как исключить ранее найденные пути из будущих поисков? Потому что, если я сделаю поиск снова, он, очевидно, найдет тот же путь. Сбросить закрытый список? Мне нужно что-то изменить, но я не знаю, что мне нужно изменить. В документе отсутствует псевдокод, так что это было бы полезно.

Я не реализовал это, но когда я прочитал это, я думаю, вы бы сделали что-то вроде этого:

shortestDistance = infinity
do A* with modified g cost
    if node.fCost > shortestDistance (section 5.5)
        don't open node
    if node.isGoal()
        run funnel algorithm (string pulling)
        update shortestDistance

Разница заключается в том, что даже если вы найдете на пути к цели, это не обязательно самый короткий путь. Но вы будете продолжать улучшать верхние границы на кратчайшем пути, а это значит, что вам не придется открывать все узлы. В конце концов ваш открытый набор должен быть пустым, и лучший из найденных вами путей должен быть самым коротким.

Модифицированная стоимость g, которую он описывает, кажется большой недооценкой, поэтому я скептически отношусь к тому, насколько хорошо она работает на практике.