A*搜索算法中的可接受启发式是指用来评估搜索节点与目标节点之间的估计距离的启发式函数。它用来指导搜索算法选择下一个要扩展的节点，以便尽快找到最优解。

下面是一个使用A*搜索算法的代码示例，其中包含一个可接受的启发式函数：

class Node:
    def __init__(self, state, parent=None, cost=0, heuristic=0):
        self.state = state
        self.parent = parent
        self.cost = cost
        self.heuristic = heuristic
        self.total_cost = cost + heuristic

def a_star_search(start_state, goal_state, heuristic_func):
    open_list = [Node(start_state, None, 0, heuristic_func(start_state))]
    closed_list = []

    while open_list:
        current_node = min(open_list, key=lambda node: node.total_cost)
        open_list.remove(current_node)
        closed_list.append(current_node)

        if current_node.state == goal_state:
            path = []
            while current_node:
                path.append(current_node.state)
                current_node = current_node.parent
            path.reverse()
            return path

        for neighbor_state in get_neighbor_states(current_node.state):
            neighbor_node = Node(neighbor_state, current_node, 
                                 current_node.cost + 1, heuristic_func(neighbor_state))
            if neighbor_node in closed_list:
                continue

            if neighbor_node in open_list:
                existing_node = open_list[open_list.index(neighbor_node)]
                if neighbor_node.cost < existing_node.cost:
                    existing_node.parent = neighbor_node.parent
                    existing_node.cost = neighbor_node.cost
                    existing_node.total_cost = neighbor_node.total_cost
            else:
                open_list.append(neighbor_node)

    return None

def heuristic_func(state):
    # 通过某种方式计算当前状态到目标状态的估计距离
    return 0 # 这里只是一个示例，实际情况需要根据具体问题来定义启发式函数

# 示例使用一个简单的二维坐标状态空间和曼哈顿距离作为启发式函数
def manhattan_distance(state):
    goal_state = (0, 0) # 目标状态
    return abs(state[0] - goal_state[0]) + abs(state[1] - goal_state[1])

# 使用示例
start_state = (2, 3) # 初始状态
goal_state = (0, 0) # 目标状态
path = a_star_search(start_state, goal_state, manhattan_distance)
print(path)

在上述示例中，Node类表示搜索中的一个节点，包含了该节点的状态、父节点、从起始节点到该节点的实际代价、从该节点到目标节点的估计代价以及总代价。a_star_search函数是A*搜索算法的实现，其中使用了一个开放列表（open_list）和一个关闭列表（closed_list）来跟踪已经扩展过的节点。heuristic_func函数是一个可接受的启发式函数，用来评估节点与目标节点之间的估计距离。

在示例中，heuristic_func函数使用了曼哈顿距离来估计节点与目标节点之间的距离。曼哈顿距离是指两个点在坐标平面上的横向和纵向距离之和。在实际问题中，需要根据具体情况来定义适合的启发式函数。

最终，示例中的path变量会包含从起始状态到目标状态的最优路径。