%%贝尔曼-福特算法是针对边的算法，而迪杰斯特拉算法是针对点的算法 %%举个明显的列子： % 迪杰斯塔拉：假设从a到b的距离10，那么从b出发到a的距离也是10 % 贝尔曼-福特：假设从a到b的距离10，即a->b的边是10。但从b到a不一定是10

图论 使用图算法实现有向图和加权图。 笔记 Python文件比Java文件更发达，您可能应该看看这些文件。 Python 实作 有向图（邻接表） 加权图（邻接表） 遍历 广度优先搜索深度优先搜索 最短路径 广度优先搜索最短路径（有向图） Dikstra的最短路径（加权图） 贝尔曼·福特的最短路径（加权图） 优化的Bellman Ford的最短路径（加权图） Java 实作 有向图（邻接表） 加权图（邻接表） 有向图（邻接矩阵） 加权图（邻接矩阵） 最短路径 Dikstra的最短路径（邻接表） 贝尔曼·福特的最短路径（邻接表）

Neural Bellman-Ford Networks: A General Graph Neural Network Framework for Link Prediction 【NeurIPS 2021】神经Bellman-Ford网络:用于链路预测的一般图神经网络框架 链接预测是图的一项非常基础的任务。在传统路径学习方法的启发下，本文提出了一种通用的、灵活的基于路径的链接预测表示学习框架。具体来说，我们将节点对的表示定义为所有路径表示的广义和，每个路径表示都是路径中各边表示的广义乘积。受求解最短路径问题的Bellman-Ford算法的启发，我们证明了所提出的路径公式可以被广义Bellman-Ford算法有效地求解。为了进一步提高路径表示的能力，我们提出了神经BellmanFord网络(NBFNet)，这是一个通用的图神经网络框架，用于解决广义Bellman-Ford算法中使用学习算子的路径表示。NBFNet将广义Bellman-Ford算法参数化，采用3个神经单元，分别对应边界条件、乘法算子和求和算子。NBFNet是非常通用的，涵盖了许多传统的基于路径的方法，并且可以应用于同构图和多关系图(例如，知识图)在转换和归纳设置。在同构图和知识图谱上的实验表明，所提出的NBFNet在转导和归纳设置方面都大大优于现有方法，取得了最新的研究结果。

Bellman的Dynamic Programming电子书，djvu格式

用c++模板写的图算法，包括广搜、深搜、最小生成树算法（prim、kruskal）、单源最短路径（bellman-ford、dijkstra）、拓扑排序，prim、dijkstra算法使用优先级队列实现

离散控制Matlab代码TT-HJB 针对Hamilton-Jacobi-Bellman（HJB）方程的牛顿策略迭代的Tensor Train（TT）实现。 有关数学描述，请参见[]。 安装 该代码基于和Matlab软件包。 下载或克隆两个存储库，并将所有子目录添加到Matlab路径。 内容 开头提供了每个文件的详细说明，也可以通过Matlab help功能进行访问。 例如，有关TT-HJB求解器的语法，请参见help('hjb_leg') 。 数值测试脚本 这些是应该运行的顶级脚本，用于重现本文中的数值实验。 test_hjb_allencahn1.m一维Allen-Cahn方程（4.1节）。 可以通过设置有限的umax参数来打开控制约束。 test_hjb_allencahn2.m二维Allen-Cahn方程。 请注意，二维测试会占用大量CPU时间。 test_hjb_fokker.m Fokker-Planck方程（第4.2节）。 parse_parameter.m输入参数的辅助文件 所有测试都要求用户从键盘输入模型和近似参数。 提示中提供了默认参数，这些默认参数可用作开始的实验

算法上机代码 包含Bellman-Floyd、 Kruskal 、Prim算法、单源最短路算法(Dijkstra)、多段图算法、多源最短路（Floyd）、改进的作业排序

bellman-ford算法的C++实现，邻接表

最优控制中Hamilton-Jacobi-Bellman方程的迎风有限差分格式的收敛性

为设计基于固定序的 Bellman-Ford 算法在 CUDA 平台下并行优化方案，结合算法计算密集和数据密集的特点。从核函数计算层 面，提出了访存优化方法和基于固定序优化线程发散；从 CPU-GPU 传输层面，提出了基于 CUDA 流优化数据传输开销方法。经对不同显 卡测试，参照共享内存容量划分线程块、缩减迭代后向量维度和使用 CUDA 流缩短首次计算时延，相比传统算法，改进后并行算法加速 比在 200 倍左右。该并行优化方案验证了固定序在 CUDA 平台具有可行性和可移植性，可作为多平台研究参照。