A star（A*）算法是一种启发式搜索算法，常用于路径规划等问题。A star算法使用一个评估函数来计算每个节点的估价值，该估价值是到达目标节点的预期代价（通常使用欧几里得距离或曼哈顿距离）。 A star算法使用优先队列来存储搜索过程中遇到的所有节点，并按照节点评估函数的值进行排序，以确保下一个搜索的节点是当前最优。

代码示例：

# 定义节点
class Node(object):
    def __init__(self, state, parent, g, h):
        self.state = state  # 当前节点状态
        self.parent = parent  # 父节点
        self.g = g  # 到达当前节点的实际代价
        self.h = h  # 到达目标节点的预期代价

    def f(self):
        return self.g + self.h

# 定义A star算法函数
def astar_search(start_state, goal_state, get_neighbors_fn, heuristic_fn):
    # 初始化起始节点和目标节点
    start_node = Node(start_state, None, 0, heuristic_fn(start_state, goal_state))
    goal_node = Node(goal_state, None, 0, 0)

    # 初始化优先队列
    open_list = [start_node]
    closed_list = []

    # 开始搜索
    while open_list:
        # 获取当前评估函数最小的节点
        current_node = min(open_list, key=lambda x: x.f())

        # 将当前节点从open_list中移除并将其添加到closed_list中
        open_list.remove(current_node)
        closed_list.append(current_node)

        # 检查当前节点是否为目标节点
        if current_node.state == goal_state:
            path = []
            while current_node.parent:
                path.append(current_node.state)
                current_node = current_node.parent
            path.append(start_state)
            # 返回反转后的路径
            return path