A*（A-star）搜索是一种启发式搜索算法，它在图形平面上通过估计到目标节点的距离来找到最短路径。以下是一个示例，展示了如何使用A*算法来搜索从起点到目标节点的最短路径。

import heapq

# 定义图类
class Graph:
    def __init__(self, num_vertices):
        self.num_vertices = num_vertices
        self.adj_list = [[] for _ in range(num_vertices)]
    
    def add_edge(self, u, v, weight):
        self.adj_list[u].append((v, weight))
    
    def heuristic(self, u, v):
        # 启发函数，返回u到v的估计距离
        # 这里可以使用曼哈顿距离、欧几里得距离等
        return abs(u[0] - v[0]) + abs(u[1] - v[1])

# 定义A*搜索函数
def a_star_search(graph, start, goal):
    # 初始化Open和Closed列表
    open_list = [(0, start)]  # 格式：(f, node)
    closed_list = set()
    g_scores = {start: 0}  # 每个节点的实际距离
    f_scores = {start: graph.heuristic(start, goal)}  # 每个节点的估计距离
    
    while open_list:
        # 从Open列表中选择f值最小的节点
        curr_f, curr_node = heapq.heappop(open_list)
        
        # 如果当前节点是目标节点，返回路径
        if curr_node == goal:
            path = []
            while curr_node != start:
                path.append(curr_node)
                curr_node = closed_list[curr_node]
            path.append(start)
            path.reverse()
            return path
        
        # 将当前节点添加到Closed列表中
        closed_list.add(curr_node)
        
        # 遍历当前节点的邻居
        for neighbor, weight in graph.adj_list[curr_node]:
            # 计算新的g值
            new_g = g_scores[curr_node] + weight
            
            if neighbor not in g_scores or new_g < g_scores[neighbor]:
                # 更新g值和f值
                g_scores[neighbor] = new_g
                f_scores[neighbor] = new_g + graph.heuristic(neighbor, goal)
                # 将邻居节点添加到Open列表中
                heapq.heappush(open_list, (f_scores[neighbor], neighbor))
                # 更新邻居节点的父节点
                closed_list[neighbor] = curr_node

    # 如果无法找到路径，则返回空列表
    return []

# 示例用法
graph = Graph(7)
graph.add_edge(0, 1, 3)
graph.add_edge(0, 2, 2)
graph.add_edge(1, 3, 4)
graph.add_edge(1, 4, 2)
graph.add_edge(2, 5, 3)
graph.add_edge(3, 6, 1)
graph.add_edge(4, 6, 3)
graph.add_edge(5, 6, 5)

start = 0
goal = 6
path = a_star_search(graph, start, goal)
print(path)

在上述代码中，我们首先定义了一个图类，其中包含一个邻接表用于存储图的边和权重。然后，我们定义了A搜索函数，该函数使用了一个Open列表和一个Closed列表来跟踪已探索和未探索的节点。在搜索过程中，我们使用了启发函数来估计节点到目标节点的距离。代码中还包括了一个示例图和起点、目标节点的定义。最后，我们使用示例数据调用A搜索函数，并打印出从起点到目标节点的最短路径。

A*算法的启发式和效率主要取决于所使用的启发函数以及图的规模。启发函数应该能够提供一个较好的估计距离，以便算法能够更快地找到最短路径。同时，图越大，搜索的时间