路径规划是运动规划的主要研究内容之一。运动规划由路径规划和轨迹规划组成，连接起点位置和终点位置的序列点或曲线称之为路径，构成路径的策略称之为路径规划。

进行动态规划问题的详细总结,总结了相关的经典问题,例如0-1背包问题,完全背包问题,然后对LeetCode若干使用动态规划实现的题型进行梳理和思路分析讲解

求解整数规划算法

代码解释的很详细，可以直接用，已经测试过了，很好用。

使用C#实现的动态规划算法 关键字序列：0.15,0.1,0.05,0.1,0.2 非关键字序列：0.05,0.1,0.05,0.05,0.05,0.1 以上的测试数据，输入数据可以得到结果

一种新型四阶S型轨迹规划算法的研究与应用

采用了标准进化规划算法及元进化规划算法求解基准函数Griewank的最小值。

离散控制Matlab代码DPA机会 关于这个项目 动态规划算法（DPA）解决具有联合概率约束的问题。 它可用于解决路径规划问题，在这种情况下，碰到障碍物的机会必须保持在阈值以下。 该项目实现了本文[1]，可以直接用于有效解决具有较大状态作用噪声空间的问题。 以下动画逐步显示了DPA在路径规划问题上的结果。 路径规划问题定义 与[1]中的代码一样，该代码通过以下动态方式解决了路径规划问题： 如论文[1]所示，该模型足以解决火星的进入，下降和着陆问题。 请注意，对于此处考虑的路径规划问题，包含100x100个状态，使用我们的离散网格可以获取多达81个不同的值，并且噪声分布增加了应用DPA所需的计算量，因此需要对问题进行有效的解决。 与[1]中一样，我们使用。 因此，为了最小化问题的复杂性，我们使用来近似离散化的值。 成本定义如下： 我们还定义了需要最小化的拉格朗日和定义状态是否为障碍的变量： 为了有效地计算每个状态和动作的预期成本值，我们将每个动作的成本与概率过滤器进行卷积，因为 这样就避免了通过应用不同的值来使用随机方法的需要，该值可以取平均值（蒙特卡洛）以获取每个操作的成本估算值。 这

采用遗传算法+规划算法yalmip分层求解综合能源优化问题，以运营商总利润为目标计算优化得到不同主体主力情况，并优化用户收益情况，程序采用内外层结构，内层采用规划算法结合cplex优化主体出力结果和目标值，外层采用遗传算法优化电价变量，从而实现非线性问题求解。

多边形游戏是一个单人玩的游戏，开始时有一个由n个顶点构成的多边形。每个顶点被赋予一个整数值，每条边被赋予一个运算符“+”或“*”。所有边依次用整数从1到n编号。 游戏第1步，将一条边删除。 随后n-1步按以下方式操作： （1） 选择一条边E以及由E连接着的两个顶点V1和V2； （2） 用一个新的顶点取代边E以及由E连接着的两个顶点V1和V2。将由顶点V1和V2的整数值通过边E上的运算得到的结果赋予新顶点。 最后，所有边都被删除，游戏结束。游戏的得分就是所剩顶点上的整数值。 问题：对于给定的多边形，计算最高得分。