三个AI新手问题：
- 为什么启发式函数必须是可接受的，以便A*找到最优路径？
- 如果有障碍物，采用平局打破技术有什么好处？
- 在有障碍物的网格上寻找路径的算法有哪些？（例如吃豆人游戏）
关于第一个问题 我们以曼哈顿距离启发式函数为基础，称之为h(x)。现在如果我们使用一个新的启发式函数8*h(x) + 5（随机数字），为什么A*会找到非最优路径呢？据我所知，在A*算法中，决策是根据函数f(x) = g(x) + h(x)做出的，所以如果我放大h(x)，为什么最大值和最小值会改变呢？
我读了这篇文章，文中提到为了平局打破，可以乘以一个小因子，这对我的理论有一定帮助，但他们强调这个因子必须很小。所以我对这点感到困惑。
关于第二个问题 我尝试在吃豆人游戏中使用链接中的技术。任何对曼哈顿距离启发式函数的改变都导致扩展了更多的节点。我甚至“发明”了一种新的加权方案，优先选择外壳上的路径，结果还是一样。后来我尝试取所有函数的最大值（这也应该是可接受的），但性能仍然很差。我错过了什么？
关于第三个问题没有更多要补充的。如前所述，我找不到比曼哈顿距离更好的方法了。
回答：
问题3：
如果你真的在制作吃豆人游戏，需要为每一个“幽灵”找到路径，你也可以使用Dijkstra算法，以吃豆人的位置作为目标，一次性计算出每个幽灵的最佳路径。由于每个“边”（从一个单元格移动到另一个单元格）的成本总是相同的，你也可以简单地使用广度优先搜索。最后，你还可以看看协作扩散，让每个幽灵走不同的路线。
