1.网络游戏区块链路地图时空高效路径搜索方法，其特征在于，基于启发式区块搜索算法在预处理、在线寻路以及所使用的启发式搜索算法三个方面分别进行优化，包括基于向量迭代余弦的启发式优化搜索算法、基于地图信息链路启发式区块搜索优化算法；

基于向量迭代余弦的启发式优化搜索算法包括优化OPEN表逻辑结构、基于索引数组优化按值查询OPEN表、基于向量迭代余弦距离的启发函数，在寻路过程中减少访问结点的总数，在OPEN表的存储结构上采用方便查询最小键值以及插入删除都效率极高的最小二叉堆的方式和使用索引数组对启发式搜索算法进行优化；

基于地图信息链路启发式区块搜索优化算法分别从所需系数设置、子区域的划分、子区域的抽象化、在线寻路四个方面优化，寻路过程包括预处理阶段以及在线寻路两部分，预处理包括地图选取、划分子区域和形成抽象连通图三个步骤；在线寻路阶段包括插入起始结点与目标结点、在抽象结点上产生最短路径、抽象路径的细化三个步骤；将地图中障碍点的信息考虑在内对启发式区块搜索算法进行优化，首先，在对地图进行划分时根据当前子区域的状态信息来决定是否进行下一步划分，并且在形成抽象连通图后，采用优化后的启发式搜索算法得到一条抽象路径，然后，再根据子区域状态信息的不同来决定采用基于余弦向量优化的启发式搜索算法或是直角线距离来对抽象路径进行细化，最终得到完整的路径。

2.根据权利要求1所述网络游戏区块链路地图时空高效路径搜索方法，其特征在于，优化OPEN表逻辑结构：基于启发式搜索算法需要反复从OPEN表中选取最键值小值并将其删除的这一特征，采用最小二叉堆迭代逻辑结构来处理OPEN表中的结点信息，父结点的键值总是不小于其左右孩子的键值，并且每一个结点的子树又都满足于最小二叉堆的条件，如此递归定义满足搜寻OPEN表并寻得最小启发函数值的需求，采用最小二叉堆迭代逻辑结构来处理OPEN表中各个数据之间的关系，高效获取表中的键值最小值和删除表中键值最小的结点；包括添加新链路结点和删除键值最小的结点。

3.根据权利要求1所述网络游戏区块链路地图时空高效路径搜索方法，其特征在于，基于向量迭代余弦距离的启发函数：在判断下一个结点信息时，将该结点与目标结点连线所在的方向考虑在内，将背离目标结点方向上的结点排除在外,避免规划路径因为添加一个远离了目标结点的结点后，使得路径发生折返、倒退，在考虑结点方向时，使用向量迭代余弦函数作为偏移量，添加到标准启发式搜索算法的启发函数之中，保障路径规划算法在扩展下一结点时，让路径朝着目标结点的方向前进；

采用在原有基于欧几里得距离基础上添加负值的向量迭代余弦距离作为偏移量，作为对原有启发函数的优化，通过将结点方向信息考虑在内的方式，避免算法所规划的路径出现折返，如式2、式3所示：h′(n)＝h0(n)+hcos(n)   式2

hcos(n)＝‑ωcosβ        式3

式中，h’表示为优化后的启发函数，其值于标准基与欧几里得距离的启发函数h0再加上向量迭代余弦函数值，ω为可调整的权重，β为该结点和起始结点连线后和最优路径的角度之差，其中，这里的最优路径指的是从起始结点到目标结点所连接的一条直线；

如果起始结点为S点，目标结点为N，其中结点A和结点B是算法在扩展中所需考察的结点，向量与向量的夹角是α，向量与向量的夹角是β，采用向量迭代余弦作为启发函数的偏移量后，如果结点B路径代价值g与结点A的相同，而由于结点B的所在方向已经偏离了最优路径，即β大于α，结点B的估算函数值f自然比结点A的值要大，则结点B就会被视为无用结点；

在标准启发式搜索算法中，A、B两个结点的f值相等，如式4所示：

f(A)＝g(A)+h(A)

f(B)＝g(B)+h(B)

fcos(A)＝fcos(B)     式4

添加负号的余弦函数单调递增，得出以下结论：

hcos(A)＝‑ωcosα

hcos(B)＝‑ωcosβ

hcos(A)＜hcos(B)    式5

再把上述结果代入到优化后的启发函数中，即结合式4、式5和式2后，得到：

h′(A)＝g(A)+h(A)+hcos(A)

h′(B)＝g(B)+h(B)+hcos(B)

h′(A)＜h′(B)    式6

A点相较于B点更接近从起始结点到目标结点之间的最优路径上，A点的启发函数值则小于B点的值，如果点A除了与最优路径上形成的夹角比B点更小之外一切数据与点B相同，则点A会被选为下一个遍历结点，而且通过该筛选结点的方式，能使得选择的下一个结点都更加趋近于最优路径，减少无用结点考察数量。

4.根据权利要求1所述网络游戏区块链路地图时空高效路径搜索方法，其特征在于，基于地图分布信息优化启发式区块搜索算法，在对大规模地图进行分区时将地图的结点信息考虑在内，并且当处于在线寻路的过程中,对使用启发式搜索算法或Bresenham直线算法的情形进行分类处理；

将地图中的结点信息考虑在内，并根据障碍结点的分布信息对游戏地图进行不均匀划分子区域，且在划分时，使用一个状态位来表明该子区域的障碍物分布信息λ，依照该状态位对子区域的下一步操作进行判断，障碍物信息状态λ分以下3种情形：一是子区域均为空白即当前区域中均为非障碍物结点，则令λ＝0；二是子区域的障碍物结点大于设定的临界值，即λ＝1；三是子区域的障碍物结点比例小于设定临界值,则继续进行四划分,直至划分次数≤4为止，接着在划分后的子区域上，选取关键点连接使之形成抽象联通图，再在抽象连通图上使用基于余弦向量优化的启发式搜索算法，得到一条抽象路径，最后，根据该子区域λ的状态信息分情形细化抽象路径，如果λ＝0时，则使用Bresenham直线算法；否则采用优化后的启发式搜索算法得到实际路径，在搜索路径过程中将引入三个系数，分别为：表明子区域的状态信息λ、事前设定的障碍结点临界值β、子区域障碍结点所占比δ。

5.根据权利要求1所述网络游戏区块链路地图时空高效路径搜索方法，其特征在于，所需系数设置：子区域障碍结点所占比δ是该子区域内障碍物结点所占总结点的比例，定义如式7：表明子区域状态信息的λ是每个小分区的状态标示器，且λ取值如果非0，则必为1，当入为0时表明，当前子区域的结点均为空白结点即非障碍结点，则不再对该区域进行切割，并且处于在线寻路的阶段中，对λ值为0的子区域采用Bresenham直线算法；

临界值β的取值在0到1之间，当β值越大时，所选取的关键点越多，代表对该地图划分越精细。

6.根据权利要求1所述网络游戏区块链路地图时空高效路径搜索方法，其特征在于，子区域的划分：首先将地图平均分成四等分，终止条件中考虑具体当前子区域上的结点信息，终止条件与临界值β和障碍结点占比δ相关，且根据这二参数的相对大小分三种情形：

1)δ＝0：表示当前子区域不存在障碍结点，则不再继续对当前子区域进行下一步划分，直接采用Bresenham直线算法来规划路径，并且把当前子区域的状态信息值λ设为0；

2)δ＞β：即当前子区域的障碍结点占有率大于事前设定的临界值，表明该子区域的障碍结点较多，且划分区域的精细程度已满足要求，无进一步划分的必要，采用基于向量迭代余弦的启发式搜索算法获取路线，并把当前子区域的状态信息设置为1；

3)δ＜β：即当前分区的障碍结点较少，继续对当前子区域进行四分，再进行判断，如果四分的次数已到达四次，则终止分层，并把当前子区域的状态信息设置为1。

7.根据权利要求1所述网络游戏区块链路地图时空高效路径搜索方法，其特征在于，子区域的抽象化：分为对地图划分、形成抽象图以及在线寻路三个步骤，抽象结点位于相邻子区域的连通口上，在算法开始前设置一个临界值，当连续的连通结点个数小于这一临界值时，则选择中间的连通结点作为关键点；而当连续的结点个数大于这一临界值时,选择两边的结点作为关键点；先将同一子区域内的关键结点相连，再将相邻子区域的关键点相连，则形成最终的抽象连通图，完成预处理。

8.根据权利要求1所述网络游戏区块链路地图时空高效路径搜索方法，其特征在于，在线寻路：

1)插入起始与目标结点

形成带有关键结点的抽象联通图，在联通图中插入起始结点与目标结点时，有两种情形，一是起始结点和目标结点本身就与抽象出的关键结点相重合，则不再进行插入起始结点和目标结点的步骤，而是直接进行寻路；二是起始结点与目标结点并未与抽象结点重合，将起始和目标结点与其所在的区域上的抽象结点进行连接，完成插入步骤；

2)获取抽象路径

(1)λ值为0时，当前子区域为空白区域，结点均为非障碍结点，在非障碍结点区域上直接使用Bresenham直线算法进行寻路即可；

(2)λ值为1时，当前子区域障碍结点的占有率大于设定临界值，当前区域内障碍结点数较多，则在该区域内使用经由启发式搜索算法进行路径搜索，到抽象路径各个结点之间的路径均完成细化后，在最底层的区域内得到一条实际路径。

9.根据权利要求1所述网络游戏区块链路地图时空高效路径搜索方法，其特征在于，寻路过程预处理：(1)地图选取：首先对游戏地图进行量化，将其抽象化为二维网格图再进行后续处理，将待处理的游戏地图设为正方形，且面积为4的整数次幂；

(2)划分子区域：依照当前子区域的障碍结点的占有率对该区域进行状态信息的标注，再根据不同子区域的分区状态信息与事前设定的障碍结点占有率临界值之间的大小关系，来判断是否要进行下一步的区域再划分；

(3)形成抽象连通图：当连续的连通结点个数小于2时，则选择中间的连通结点作为关键点；当连续的结点个数大于这一临界值时，选择两边的结点作为关键点；首先，先将同一子区域内的关键结点相连，再将相邻子区域的关键点相连，形成最终的抽象连通图。

10.根据权利要求1所述网络游戏区块链路地图时空高效路径搜索方法，其特征在于，在线寻路：

步骤一，插入起始结点与目标结点：先判断起始结点和目标结点是否已经被抽象成关键结点，如果是，则跳过此步骤，进行步骤二，如果目标结点和起始结点暂未与关键点重合，则将这两特殊结点与其子区域边界上的关键结点相连接；

步骤二，得到抽象的最短路径：判断目标结点与起始结点是否处于同一个子区域，如果是，则跳过此步骤，进行下一步骤，如果不在同一子区域，则在起始结点、目标结点以及关键结点之间使用优化后的启发式搜索算法，得到一条抽象路径；

步骤三，路径细化：如果状态信息1为0，则在细化路径时，采用Bresenham直线算法来规划路径，在每次画点时，选取与直线的交点y坐标的差最小的那个点；否则便使用优化后的启发式搜索算法来规划实际路径。