近年来，有许多使用服务质量（QoS）参数执行工作流应用程序的调度算法。 在本文中，我们考虑到异构资源的时间和成本约束，改进了调度工作流算法，该算法称为使用子截止时间调度（BDSD）约束的BudgetDeadline。 有了用户所需的截止日期和预算约束，我们使用BDSD算法来找到满足这两个约束的调度。 我们使用规划成功率（PSR）来展示算法的有效性。 在模拟实验中，我们使用随机工作流应用程序和实际工作流应用程序进行实验。 仿真结果表明，与其他算法相比，我们的BDSD算法在任务和处理器上具有较高的PSR和较低的时间复杂度（2）。

国外描述sales and operations planning的著作，对企业制定主生产计划，进行销售与运作规划，销售预测具有很好的参考价值

提出了对许多不同种类的规划算法的统一处理。 该主题处于机器人技术，控制理论，人工智能，算法和计算机图形学之间的十字路口。

这是关于规划算法的电子书，高清，最新版本，经典著作，英文版

Cooperative Path Planning of Unmanned Aerial Vehicles

CARLA中的RL-frnet轨迹规划 该存储库是一个框架，可为自动驾驶汽车模拟器CARLA创建OpenAI Gym环境，以便利用先进的深度强化算法和frenet轨迹规划。 安装 模拟充当服务器-客户端。 CARLA作为服务器启动，并默认使用2000：2002端口。 客户端可以从端口2000连接到服务器（默认情况下），并且可以与环境交互。 客户端安装 git clone https://github.com/MajidMoghadam2006/RL-frenet-trajectory-planning-in-CARLA.git cd RL-frenet-trajectory-planning-in-CARLA/ pip3 install -r requirements.txt （需要Python 3.7或更高版本） cd agents/reinforcement_learning

概述 该存储库实现了机器人技术中常用的一些路径规划算法，包括基于搜索的算法和基于采样的算法。我们为每种算法设计了动画以显示运行过程。相关论文在中列出。 目录结构 . └── Search-based Planning ├── Breadth-First Searching (BFS) ├── Depth-First Searching (DFS) ├── Best-First Searching ├── Dijkstra's ├── A* ├── Bidirectional A* ├── Anytime Repairing A* ├── Learning Real-time A* (LRTA*) ├── Real-time Adaptive A* (RTAA*) ├── Lifelong Planning A*

matlab-rrt-variant：具有可视化功能的2d和3d c空间已实现RRT *，RRT连接，惰性RRT和RRT扩展

细节增强的matlab代码RRT明星 RRT星动计划 这是RRT *算法的Matlab实现，它是RRT的“增强”版本。 示例运行： 磁石颜色中的线表示障碍物。 黑线代表创建的快速探索树。 红线是从起点到终点的最终路径。 另一个非常幸运的发现： 该算法仅通过幸运地对一个点进行采样就找到了一条路径。 否则它将找不到路径，因为RRT *在狭窄的通道中无法很好地工作。 没有路径示例： rrt及其狭窄通道时变体不好，在这里我们可以看到算法无法找到从起点到终点的路径 高层次的解释 使用随机均匀抽样，我们选择一个点的坐标，然后尝试将其连接到当前树。 （起初仅由起点组成），我们尝试将此新点连接到树中最近的顶点。 只有在线路没有碰到任何障碍物的情况下，我们才能连接它们。 重复此过程，直到例如到达多个所需的树节点为止。 最后，我们找到最接近终点的点，并尝试将它们连接起来，如果能够的话，我们已经找到了一条路径。 （由于我们正在统一采样点，因此我们不太可能无法到达终点）如果涉及到一条狭窄的通道，则此算法很有可能找到一条路径。 除了RRT，对于每个随机点x_rand，该算法还会找到树中距随机点半径r的圆内的所有

窄通道环境下多机器人路径规划的高效无冲突算法 您可以在此存储库中使用ROM找到模拟结果。