A* Algorithm demonstrated in RPG style

[@Miki_Mole]

簡單的概念，造就不簡單的遊戲 真是受益匪淺，感謝小哈的教學

[@HaskaSu]

是啊~希望影片能啟發朋友們創作更多遊戲~

[@catchfree1225]

研究圖論算法時看到 這些影片真的很棒！比起先證明一大堆公式跟定義，讓我們直接玩這些算法感覺真不錯😆

[@esc120]

其實只要確保評估函式不高估總成本，就能保證找到的一定是最好的路徑（例如一律以成本最低的石板路來估計前方的路，但如果估得太低會導致搜尋的效率退化到接近 Dijkstra 演算法）

[@HaskaSu]

高手來幫大家解惑嘍~~ 讚讚! 要在效率和最佳解之間取得平衡，真的就是在考驗設計師的能力呀~

[@kevin-hw6er]

現在才發現這個神奇的頻道，影片品質好高，又講的很清楚，謝謝>

[@HaskaSu]

謝謝鼓勵~ 感動~

[@doge7562]

感謝有料的內容讓我了解更多

[@陳柏翰-j8c]

相見恨晚的影片，謝謝小哈的影片，👍🏾

[@hank86211]

有料 優質影片

[@mevius24]

竟然出現在小哈的影片中，好感動>_

[@ben8406091]

哈哈 前幾個月才在公司作為技術研討報告這個XD 我覺得Dijkstra雖然"首次"計算很耗時 但可以先試圖儲存被用過的路線 下次就可以直接從N條被用過的路線中 直接取最佳路徑(就像google 地圖?)

[@HaskaSu]

是呀~ 不過如果地圖會改變的話,就比難用路徑快取。

[@chenlight]

我用C#寫出來了。謝謝你

[@HaskaSu]

太棒了!!!

[@kehaobuyao]

小哈也很適合當老師

[@HaskaSu]

過獎過獎～

[@abcdefghijk9877]

清楚易懂，有料

[@HaskaSu]

謝謝鼓勵~

[@aspirewot8408]

Thanks for English subtitles your video was really helpful. because it has graphical representation and you also show where these algorithms are used in real life because of this it was very easy to understand this concept n which also makes it interesting not boring . I wish our professors explained like this lol id score 100 marks in exams

[@HaskaSu]

Hah. You made my day~ Thanks for the words.

[@aspirewot8408]

@@HaskaSu Do you have any other algorithms explained ?? ,Like dfs , bfs , minmax etc ??

[@HaskaSu]

@@aspirewot8408 yes, I do. but not all my videos have eng-subbed. Check out these with eng-subs - roguelike map generator algorithms: kzbin.info/www/bejne/nqvYkIGsa8mYhpY - bg-removal algorithm: kzbin.info/www/bejne/ZmjRk6CJpch6aLM - perlin noise in terraria: kzbin.info/www/bejne/hKLUeoeVYt19otU - generic algorithm: kzbin.info/www/bejne/f4HNgXiBe5aBfas - fourier transform: kzbin.info/www/bejne/rYOxfqWKfax9hbs - collision detection: kzbin.info/www/bejne/pqaopp9jjLGFbNU

[@aspirewot8408]

@@HaskaSu thanks man I'll check them out you're really doing a great work because I've not seen one single KZbinr who explains with real life example like you

[@sunnyluranja]

這個影片基本上是看過的裡面算詳細的，但是還是很多基本的細節沒有講，很可惜。 雖然有提供原始碼，但是看不懂也枉然，畢竟不是學這個語言

[@cyaaronk7328]

做影片辛苦了

[@HaskaSu]

這是小哈的新興趣～

[@kj3264]

想請問下在講解A*演算法時，下方為全長代價，那靠近山的全長代價為什麼跟最佳解相同?

[@HaskaSu]

因為靠近山那邊的格子，如果有別的出口通往目的地，那他到目的地的全長代價就會和最佳解一樣。 可惜的是，靠山那邊的格子，四周不是回頭路，不然就是被山擋住。 所以最後要找到的是，全長代價最低，而且還有路繼續往前走的格子才行。

[@franky07724]

請問小哈怎麼看特斯拉停車問題中 MuZero (AlphaGo 的後續研究) 優於 A* 的案例 ( kzbin.info/www/bejne/oGHdZXmtmqisaq8 ) 謝謝!

[@HaskaSu]

可是MuZero是類網/AI的範圍，其內部邏輯是沒有辦法分析的 所以和A*這種理解型的邏輯應該很難拿來一起比較 比如說，AI發生錯誤時，就比較難通過AI思考的反邏輯來推論錯誤之所在

[@franky07724]

​@@HaskaSu 如果以路徑搜索中訪問節點數作為演算法複雜度來看, A* 似乎要花更多節點繞過障礙物, 但是 MuZero 可以花少量節點就繞過障礙物, 但是為什麼兩者有這差別不太清楚.

[@HaskaSu]

@@franky07724 影片中有比較三種方法，第一種是純A*，花了超久才找到路徑，因為這方法是完全不知道停車場的樣子，就像蒙著眼睛去找路。 第二種方法是用導航先找出一條路線，再配合A*去閃路障，這個花的時間就少很多。 第三種是導航+AI+訓練無數次，所以當AI看著導航在模擬前進路線時，會根據它先前訓練時養成的直覺，知道怎樣去閃比較好，所以花的時間就很短。 A*靠的是演算法，AI靠的是訓練，所以這兩種使用的情境不一樣~ 如果是能提前訓練的情況下，自然靠AI會好很多~ 不過AI學習時，有很多參數會被固定，比如說影片中的車子，若是形狀被大幅改變，那AI的決定就可能沒那麼聰明，而加了更多參數後，AI等於又要重新訓練。 要如何聰明地訓練AI又是另一門學問了。

[@franky07724]

@@HaskaSu 謝謝答覆!

[@Koishogi]

這個內容有點優質，太晚看到頻道了

[@glkkeh]

不讚一個怎麼行

[@HaskaSu]

謝謝捧場～

[@jack88628]

你的影片很有東西欸

[@HaskaSu]

謝謝喔～會繼續做這些難做，但不是很多人看的影片～ :p

[@黃冠崴-p3n]

辛苦了 小哈 不要在意那些酸民

[@lawbb999]

先顧好你的案件==

[@黃冠崴-p3n]

@@lawbb999 笑死 你誰

[@ovowoovo7591]

@@黃冠崴-p3n 下星期五 樹德科技大學 不見不散

[@黃冠崴-p3n]

@@ovowoovo7591 別哭= =

[@ovowoovo7591]

@@黃冠崴-p3n 好

[@小林希乃子]

頭香！

[@HaskaSu]

香～

[@小林希乃子]

對了，撞球AI的物理引擎在「小試身手」裡面我感覺到有些怪怪的，我一開始以為是桌子的問題，後來發現是彈道會有點微旋。

[@小林希乃子]

這樣細微的變化到後面球就會整個停下來 四邊彈牆擊球會有點不精準

[@HaskaSu]

對，出杆時可用滑鼠決定要左旋或右旋 至於物理引擎，就將就將就吧

[@小林希乃子]

我還不知道呢！