我们知道，A*算法的伪代码如下：
start_point = Point(pos=start_pos, g=0, h=heuristic(start_pos, end_pos))
open_list = {start_point}
closed_list = {}
while not open_list.is_empty():
# 从open_list中取出f值最小的点
current = open_list.pop_point_with_lowest_f()
# 如果当前点是目标点，说明找到最短路径了
if current == end_point:
return reconstruct_path(current)
# 否则，处理当前点的邻居
for neighbor in get_neighbors(current):
# 已经在closed_list中的点无需处理
if neighbor in closed_list:
continue
tentative_g = current.g + cost(current, neighbor)
tentative_h = heuristic(neighbor, end_pos)
tentative_neighbor = Point(pos=neighbor, g=tentative_g, h=tentative_h)
# 如果邻居点是新发现的点，直接加入open_list
if neighbor not in open_list:
open_list.add(tentative_neighbor)
# 否则，检查能否更新邻居点的g值
elif tentative_neighbor.g < open_list.get(neighbor).g:
open_list.update(tentative_neighbor)
# 当前点处理完毕，加入closed_list
closed_list.add(current)
假如令heuristic(start, end)永远返回0，那么A*算法就会退化为Dijkstra算法。
这里实现上最困难的步骤是open_list.update(tentative_neighbor)这个分支，因为更改g值会影响到f值，而open_list是一个按照f值排序的优先队列，因此需要重新调整这个点在open_list中的位置，这种操作叫做“decrease-key”操作。基于二叉堆的优先队列实现并不能高效地支持这种操作，因此有两种解决方案：
第一种方法是教科书和大多数实现采用的方法，但是它的实现比较复杂。也有研究认为，第二种方法的性能在稀疏图上会更好。