请用Python语言，利用A*算法完成某路径最短规划问题代码

在Python中，我们可以使用A*算法来解决路径最短规划问题，比如在一个网格地图上寻找从起点到终点的最短路径。以下是基本的A*算法实现，使用`heapq`库来管理优先队列：

import heapq

def heuristic(a, b):
    # 这里通常采用曼哈顿距离或欧几里得距离作为启发函数，这里假设是曼哈顿距离
    return abs(a[0] - b[0]) + abs(a[1] - b[1])

def a_star_search(graph, start, goal):
    frontier = [(0, start)]  # 开放列表，初始元素是启发值和起始节点
    came_from = {}          # 记录每个节点是如何到达的
    cost_so_far = {start: 0}   # 每条边的成本，从起点开始是0

    while frontier:
        _, current = heapq.heappop(frontier)  # 取出启发值最小的节点

        if current == goal:
            break

        for next in graph.neighbors(current):  # 遍历当前节点的所有邻居
            new_cost = cost_so_far[current] + graph.cost(current, next)
            if next not in cost_so_far or new_cost < cost_so_far[next]:
                cost_so_far[next] = new_cost
                priority = new_cost + heuristic(goal, next)
                heapq.heappush(frontier, (priority, next))

    path = []
    if goal in came_from:
        path.append(goal)
        while path[-1] != start:
            path.append(came_from[path[-1]])
    return path[::-1]  # 返回从目标到起点的路径

# 例子：假设我们有一个简单的二维网格地图表示
graph = {
    'A': {'B': 1},
    'B': {'C': 1, 'D': 1},
    'C': {},
    'D': {'E': 1}
}

# 使用A*搜索从'A'到'E'
print(a_star_search(graph, 'A', 'E'))  # 输出路径，如['A', 'B', 'D', 'E']

在这个例子中，你需要为地图定义`neighbors()`和`cost()`方法，分别返回给定节点的相邻节点和两个节点之间的成本。