首先关于客户端的坐标体系：
菱形框是客户端使用的单位方格，也就是游戏里雷达显示的坐标。客户端中采用的等距视角，使用菱形方格能与平面的场景地图模拟出3D效果。红色矩形框则是客户端和服务端公用的坐标格。
寻路方法入口： bool StartFindPath(CPos start, CPos end, vector<Cvector2f>& path, int IgnoreSteps, int nRatio, bool bAnyDir, int nMaxStep)
（下面讲解具体的寻路实现时涉及到A*寻路和Dijkstra最短路算法的知识点，这里就不对这两者做详细介绍了。）
start和end寻路的起点和终点，均为像素点。path为引用参数，用于存储寻路结果。IgnoreSteps为忽略距离终点的格数，即离终点还有几格时即可停下。nMaxSteps是最大寻路步数，用于限制使用A*算法寻路时的超时时间。
寻路成功返回true，将线路的“拐点集”（即相邻两点间是可以直线连通没有障碍的，且任意非相邻的两点是不能直线连通的）存储在path中。否则返回false。
StartFindPath的寻路过程：
1.先用LinePath()检验起点与终点是否可以直线连通：
（1）LinePath需保证起点在场景内；终点参数在场景外则直接返回起点坐标。
（2）然后由起点和重点坐标得出直线方向，以最小单位（即上面说的菱形格）遍历从起点至终点的所有格判断是否有高障碍（高障碍一般为地形，人物角色和怪物一般为低障碍），成功返回true；否则返回遇到的第一个障碍格。
2.若直线寻路没有成功，接下来检查输入参数的起点和终点是否均不超过场景。
3.进入A*寻路算法FindPath()：
（1）检查如果起点和终点相同则直接返回-1。
（2）将起点添加进open list中。
（3）循环执行下面操作直至open list为空 或 找到终点节点 或 超出最大寻路步数：
I. 在open list中找到并移除总花费值最小的节点（总花费=G+H；G为从起点到该节点的花费；H为从该点到终点的估计花费。H这里采用的是“曼哈顿距离”来估计从该节点到终点的花费，公式为横纵坐标差值的和：H=abs(start.x-end.x)+abs(start.y-end.y) ）。
II. 在该处理节点的八个相邻方向上遍历，对于到达的新节点若没存入过open list则直接加入；否则检查由该处理节点到新节点的G是否更小，如果更小就更新其花费和前置节点；并重新调整open list的顺序。
实现该A*算法的过程中三个重要的数据结构：
（1） XPS_Node：存储位置节点的结构，包含了节点位置、G花费、H花费和到达该节点的前置节点等内容。
（2） XPS_Node** m_pOpenList：用数组实现的、以总花费做权值比较的最小堆。
（3） XPS_Node* m_aBacket：用于记录加入过open list的XPS_Node哈希表；用x、y坐标值计算哈希值；解决哈希冲突的方式是将哈希值相同的XPS_Node以链表结构存储在同一数组下标上。
4.如果A*寻路没有成功，则进入下面的Dijkstra最短路算法：
（1） 加载对应地图数据目录下的roadPoint.csv和pathlink.csv（这两个文件是在地图上预设好的各坐标顶点和相邻顶点间的距离），构建出Dijkstra算法需要的图。
（2） 找到距离start和end最近的且能够与之直线连通的顶点。将该两个顶点作为Dijkstra图中的起点和终点。
（3） 循环N次执行以下操作：
I. 找出到达花费最小的节点node，并作标记 使下次查找时忽略该点。
II. 对于所有与node节点相邻的顶点，检查由node到其相邻节点的到达花费是否更小（ cost[node] + link[node][i] < cost[i] ），如果是则更新其到达花费，并将其前置节点置为node。
5.若Dijkstra寻路未成功（没有csv文件或找不到与起/终直连的顶点等），则进行大范围A*寻路（这一步往往耗时就很严重了玩家会有明显的寻路延迟）。
（如下示，虚线为起始点寻找能够直线连通的顶点；蓝色实线为Dijkstra得出的路径）
对寻路代码做的优化：
1.对Dijkstra算法使用堆优化：
原先实现中，每次寻找最小花费的节点步骤中，是通过遍历一次所有节点得出的。可以用个最小堆来存储节点的到达花费，那么每次寻找最小花费节点的复杂度由O(N)降为O(logN)。 （我这里实现最小堆是直接用的std的优先队列priority_queue）。
2.在使用Dijkstra算法寻路时，第一步是遍历图中的所有顶点中，找到能够与起点、终点位置直线连通的顶点。因为需要直线连通这一条件，因此在起/终点周围存在较多障碍格的时候很容易失效，而进入下面非常耗时的大范围A*寻路。因此将这一步改为：当直线连通失效时，则寻找与起/终点直线距离最近的若干顶点使用A*算法（超时步数限制在较小范围），来确定Dijkstra的图中起点和终点。
下面给出巨**谷地图（还是把具体地图名遮上吧 :D）上的一些测试结果：
|
起点 |
终点 |
原始耗时 |
优化后 |
|
(79,42) |
(570,1097) |
151ms |
26ms |
|
(17,1104) |
(538,13) |
114ms |
32ms |
|
(246,47) |
(625,688) |
97ms |
23ms |
|
(577,808) |
(295,584) |
31ms |
29ms |
|
(36,105) |
(419,910) |
39ms |
39ms |
|
(625,373) |
(6,203) |
28ms |
27ms |
上述优化有些限制，就是需要寻路地图要要有相应的csv地图，并且有数量可观的结点，否则起不到较好的优化效果。而且第一步的Dijkstra算法的堆优化的实际作用并不大，毕竟数据量有限。
原文地址：https://www.cnblogs.com/geek1116/p/12122074.html