实现: 如果你正在寻找代码审查，请在CodeReview.StackExchange.com上发布工作代码。他们可能会给你一些优化建议。
算法: 以下是从算法角度考虑的几个因素。
首先，看一下你的启发式算法。如果启发式算法估计过低，则A*退化为Dikstra算法。如果启发式算法估计过高，则A*退化为贪婪最佳优先搜索。一个具有可接受启发式算法的A*位于中间：它产生了最优路径，但保持最优性需要额外的计算时间。如果你愿意牺牲最优性，可以选择一个启发式算法，它有时会高估到目标的距离。这样做，路径不能保证是最优的，但算法的贪婪性能够减少执行时间。
此外，如果世界是静态的（即布局是已知的先验），则可以预先计算大量信息以帮助加速搜索。有几种算法可以完成这项任务。Swamps 是一种方法，它预先计算出 tend to be searched needlessly 的区域（即沼泽）。除非进入或离开沼泽，否则无需在运行时搜索这些区域。Swamps 带来的加速效果严重依赖于世界的地形；更具欺骗性的地图（即倾向于将搜索引导到沼泽的地图）受益更大。
另一种方法是使用分层路径搜索方法，例如HPA*。在你的地图上（8000x8000，呜呜），这可能会显著提高性能。HPA* 通过将区域分组成链接的本地集群，并预先计算穿越集群边界的成本来操作。然后，搜索在多个级别进行：高级工作通过利用预计算的成本来聚焦搜索，低级工作确定将要使用的确切路径。
此外，还存在一些算法，可以通过在运行时利用环境特征来减少A*所探索的节点数。例如，Jump Point Search (JPS) 利用了网格图（像你正在使用的那种）经常展现出对称性这一事实。如果你的世界中的移动具有恒定的成本，JPS可以在搜索中“跳过”许多节点，并将搜索时间减少相当多。我曾看到它将A*搜索时间缩短了24倍，其他人则看到了超过30倍的改进。
最后需要注意的一点是：从我所了解到的来看，您正在使用L1路径（即4个基本方向）。通过在路标之间进行路径预处理并使用微分启发式，您可能会获得更多收益。请参阅此文章以获取演示和JavaScript实现讨论的信息，请点击这里。
附加链接:
