随着现代游戏行业的飞速发展，玩家对于游戏品质的要求也越来越高。在游戏中，智能寻路是人工智能的重要应用之一，而A*算法则是智能寻路算法中最热门的算法之一。A*算法结合了启发式搜索的思想，筛选出当前“最优”节点，从而能够大大提升搜索效率。但是A*算法由于需要扩展“最优”节点的所有后继节点，因此在地图较大且复杂的情况下，会面临节点搜索效率低且内存占用大的情况。同时，A*算法仅使用了距离维度的启发函数来评估当前节点，因此难以准确识别出“最优”节点。此外，当可用内存有限时，如何合理调整寻路策略以逼近目标节点，同时节省内存开销，也是A*算法面临的难点之一。
　　针对以上A*算法的不足，论文提出了一种改进的限定内存A*算法，称之为IMA*算法(Improved Memory-bound A*)。IMA*算法提出了将桶结构和二叉堆结构相结合的高效搜索结构。在搜索节点数较多的情况下，该搜索结构将节点合理划分到不同桶中，能够在桶内实现高效的节点排序。因此该结构能够快速的筛选出“最优”节点，从而提升了节点搜索效率。同时，IMA*算法创造性的引入了地图中高度和角度信息，丰富了启发函数的衡量维度。改进后的启发函数为高度和角度信息分配了合适的权重因子，从而提高了识别“最优”节点的准确性。此外，为了降低寻路过程中内存占用，IMA*算法提出了遗忘列表内存优化策略。在可用内存受限的情况下，该策略仅为被剔除节点的父节点创建了遗忘列表并分配了内存空间，从而节省了内存开销。
　　论文基于Unity3D建立了实验仿真平台，论证了IMA*算法在实际游戏场景中的适用性，并多方面对比分析了IMA*算法的性能。实验结果表明，和标准A*算法相比，IMA*算法平均减少了22.4%的搜索节点个数。此外，IMA*算法能够节省内存占用，并且在寻路可靠性方面具备一定优势。