C语言是所有编程语言的基础，当我们对C语言有足够深入的理解后，就能轻松入门其他语言，比如现在流行的Python。现在，我将带领大家看一个基于C语言经典算法，使用Python编写的塔防小游戏。
在塔防游戏中，有许多敌人向着同一目标前进。在很多塔防游戏当中，有一条或几条事先预定好的路径。在一些中，比如经典的《Desktop Tower Defense》，你可以将塔放在任何位置，它们充当障碍影响敌人选择的路径。试一试，点击地图来移动墙壁：
我们如何来实现这种效果？
像A*这样的图搜索算法经常被用来寻找两点之间的最短路径。你可以用这个来为每一个敌人找到前往目标的路径。在这种类型的游戏当中，我们有很多不同的图搜索算法来。这是一些经典方法
单源，单目标:
- 贪心搜索算法
- A*算法 – 在游戏当中常用
单源多目标或多源单目标
- 广度优先算法-无加权边
- Dijkstra算法-有加权边
- Bellman-Ford算法-支持负权重
多源多目标
- Floyd-Warshall算法
- Johnson’s算法
像《Desktop Tower Defense》这样的游戏会有很多个敌人（源）和一个共同的目的地。这使得它被归为多源单目标一类。我们可以执行一个算法，一次算出所有敌人的路径，而不是为每个敌人执行一次A*算法。更好的是，我们可以计算出每个位置的最短路径，所以当敌人挤在一块或者新敌人被创建时，他们的路径已经被计算好了。
我们先来看看有时也被称作“洪水填充法”（FIFO变种）的广度优先算法。虽然图搜索算法是适用于任何由节点和边构成的图，但是我还是使用方形网格来表示这些例子。网格是图的一个特例。每个网格瓦片是图节点，网格瓷砖之间的边界是图的边。我会在另一篇文章当中探讨非网格图。
广度优先搜索始于一个节点，并访问邻居节点。关键的概念是“边界”，在已探索和未开发的区域之间的边界。边界从原始节点向外扩展，直到探索了整张图。
边界队列是一个图节点(网格瓦片)是否需要被分析的列表/数组。它最开始仅仅包含一个元素，起始节点。每个节点上的访问标志追踪我们是否采访过该节点。开始的时候除了起始节点都标志为FALSE。使用滑块来查看边界是如何扩展的：
这个算法是如何工作的？在每一步，获得一个元素的边界并把它命名为current。然后寻找current的每个邻居，next。如果他们还没有被访问过的话，将他们都添加到边界队列里面。下面是一些python代码：
Python
frontier = Queue()
frontier.put(start)
visited = {}
visited[start] = True
while not frontier.empty():
current = frontier.get()
for next in graph.neighbors(current):
if next not in visited:
frontier.put(next)
visited[next] = True
frontier = Queue()
frontier.put(start)
visited = {}
visited[start] = True
while not frontier.empty():
current = frontier.get()
for next in graph.neighbors(current):
if next not in visited:
frontier.put(next)
visited[next] = True现在已经看见代码了，试着步进上面的动画。注意边界队列，关于current的代码，还有next节点的集合。在每一步，有一个边界元素成为current节点，它的邻居节点会被标注，并且未被拜访过的邻居节点会被添加到边界队列。有一些邻居节点可能已经被访问过，他们就不需要被添加到边界队列里面了。
这是一个相对简单的算法，并且对于包括AI在内的很多事情都是有用的。我有三种主要使用它的办法：
1.标识所有可达的点。这在你的图不是完全连接的，并且想知道哪些点是可达的时候是很有用的。这就是我再上面用visited这部分所做的。
2.寻找从一个点到所有其他点或者所有点到一个点的路径。我在文章开始部分的动画demo里面使用了它。
3.测量从一个点到所有其他点的距离。这在想知道一个移动中的怪物的距离时是很有用的。
如果你正在生成路径，你可能会想知道从每个点移动的方向。当你访问一个邻居节点的时候，要记得你是从哪个节点过来的。让我们把visited重命名为came_from并且用它来保存之前位置的轨迹：
Python
frontier = Queue()
frontier.put(start)
came_from = {}
came_from[start] = None
while not frontier.empty():
current = frontier.get()
for next in graph.neighbors(current):
if next not in came_from:
frontier.put(next)
came_from[next] = current
frontier = Queue()
frontier.put(start)
came_from = {}
came_from[start] = None
while not frontier.empty():
current = frontier.get()
for next in graph.neighbors(current):
if next not in came_from:
frontier.put(next)
came_from[next] = current我们来看看它看起来是怎样的：
如果你需要距离，你可以在起始节点讲一个计数器设置为0，并在每次访问邻居节点的时候将它加一。让我们把visitd重命名为distance，并且用它来存储一个计数器：
Python
frontier = Queue()
frontier.put(start)
distance = {}
distance[start] = 0
while not frontier.empty():
current = frontier.get()
for next in graph.neighbors(current):
if next not in distance:
frontier.put(next)
distance[next] = 1 + distance[current]
frontier = Queue()
frontier.put(start)
distance = {}
distance[start] = 0
while not frontier.empty():
current = frontier.get()
for next in graph.neighbors(current):
if next not in distance:
frontier.put(next)
distance[next] = 1 + distance[current]我们来看看它看起来是怎样的：
如果你想同时计算路径和距离，你可以使用两个变量。
这就是广度优先检索算法。对于塔防风格的游戏，我用它来计算所有位置到一个指定位置的路径，而不是重复使用A*算法为每个敌人分开计算路径。我用它来寻找一个怪物指定行动距离内所有的位置。我也是用它来进行程序化的地图生成。Minecraft使用它来进行可见性提出。由此可见这是一个不错的算法。
下一步
我有python和c++代码的实现。 如果你想要找到从一个点出发而不是到达一个点的路径，只需要在检索路径的时候翻转came_from指针。
如果你想要知道一些点而不是一个点的路径，你可以在图的边缘为你的每个目标点添加一个额外的点。额外的点不会出现在网格中，但是它会表示在图中的目标位置。 提前退出：如果你是在寻找一个到达某一点或从某一点出发，。我在A*算法的文章当中描述了这种情况。
加权边：如果你需要不同的移动成本，广度优先搜索可以替换为为Dijkstra算法。我在A*算法的文章当中描述了这种情况。
启发：如果你需要添加一种指导寻找目标的方法，广度优先算法可以替换为最佳优先算法。我在A*算法的文章当中描述了这种情况。
如果你从广度优先算法，并且加上了提前退出，加权边和启发，你会得到A*。如你所想，我在A*算法的文章当中描述了这种情况。
