A*算法被认为是时间最优的启发式搜索算法,它结合了Dijkstra算法和Greedy Best-First-Search算法的寻路思想,并利用估值函数作为引导方法,可以高效而且准确的找到一条可达的最短路径,并被广泛应用于GIS系统和游戏寻路系统等领域之中。但是它的性能消耗随着搜索地图规模的扩大,而成指数级别增长是一个致命缺点。自从A*算法被提出来,人们不断的对其进行优化和扩展,进而衍生出一系列的A*衍生算法,比如最早用于火星探测机器人寻路的D*算法、控制最大搜索深度的Iterative Deepening A*算法、控制内存上界的Simplified Memory Bounded A*算法等。A*衍生算法对A*算法进行优化的思路主要有两种,一种是针对启发函数计算的优化,另一种是设置阈值优化搜索的深度。本文从人类寻路过程中优先寻找方向的思路入手,利用人工智能中的知识推理,结合向量空间的方向关系计算模型,提出了使A*算法结合方向因子进行算法优化的三个策略:首先,利用方向因子引导A*算法寻路过程中的第一步都是向着目标方向移动,使得中间寻路过程尽快的逼近最短路径。其次,利用方向因子保证A*算法寻路中间过程每次做出移动都是优先选择在目标方向上的点。最后,针对上述两类被剪枝的邻居节点进行容错处理,即当按照方向因子的引导进入“死胡同”时,进行回溯,确保最后能找到最短路径。本文最后将优化策略进行推广和应用,对Iterative Deepening A*算法和Simplified Memory Bounded A*算法进行有效的优化。