首先，对于那些不知道的人 - 随时算法是一种算法，它可以输入它可以运行的时间量，它应该在那个时候给出最好的解决方案。
加权 A* 与 A* 相同，但 f 函数有一个差异：
（其中 g 是到 node 的路径成本，h 是直到达到目标的路径结束的启发式）
Original = f(node) = g(node) + h(node)
Weighted = f(node) = (1-w)g(node) +h(node)
我的任何时候算法运行加权 A*，权重从 1 到 0.5，直到达到时间限制。
我的问题是，在大多数情况下，它需要很长时间才能找到解决方案，如果给定 10 秒之类的时间，它通常不会找到解决方案，而其他算法（如任何时间梁）在 0.0001 秒内找到一个解决方案。
有什么想法该怎么做？
如果我是你，我会抛弃无限启发式。可接受的启发式方法要好得多，因为给定您找到的解决方案的权重值，您可以说它最多是最优解决方案长度的 1/weight 倍。
实现 A* 导数时的一个大问题是数据结构。当我实现双向搜索时，只需从数组列表更改为按需组合散列增强优先级队列和数组列表，即可将运行时成本降低三个数量级 - 从字面上看。
主要问题是大多数论文只给出了使用集合逻辑的算法的伪代码——这取决于您实际弄清楚如何在代码中表示集合。不要害怕对单个列表使用多个 ADT，即您的开放列表。我对 Anytime Weighted A* 不是 100% 确定，但我做过其他衍生产品，例如 Anytime Dynamic A* 和 Anytime Repairing A*，但不是 AWA*。
另一个问题是当您将 g 值设置得太低时，有时可能需要更长的时间才能找到任何解决方案，如果它是更高的 g 值。一个常见的陷阱是忘记检查您的关闭列表是否有重复状态，从而导致（如果您的 g 值减小到 0，则为无限）循环。如果您通过光束搜索获得快速结果，我会尝试从合理高于 0 的值开始。
一些伪代码可能会在这里有所帮助！无论如何，这些只是我对此事的想法，你可能已经解决了 - 如果你对你很好:)
束搜索不完整，因为它修剪了不利的状态，而 A* 搜索是完整的。根据您要解决的问题，如果不完整性不会阻止您找到解决方案（通常从起点到终点存在许多正确的路径），则使用 Beam 搜索，否则，请继续使用 AWA*。但是，如果有足够的硬件资源，您始终可以同时运行两者。