在本文中，我们提出了一种基于贪婪算法的深度学习决策支持策略。 人工智能的决策支持是现代计算机科学中最具挑战性的趋势。 当前存在各种策略，并且为了满足诸如Microsoft，Google，Amazon等面向用户的平台的实际需求，这些策略正在不断改进。

matlab贪婪算法代码手稿“Deep Reinforcement Learning for Distributed Dynamic MISO Downlink-Beamforming Coordination”的仿真代码，已在 IEEE Transactions on Communications 上发表。 运行模拟程序和绘制图形的要求 仿真程序需要安装Keras、Tensorflow、Numpy、Scipy等软件包的Python3。图形由MATLAB绘制。 演示模拟程序的结构 ./DRL_for_DDBC/codebook/codebook.mat保存当前仿真程序使用的码本矩阵的文件。 ./DRL_for_DDBC/data文件夹保存四种方案的仿真结果。 ./DRL_for_DDBC/rates文件夹保存模拟过程中每个单元格的可实现率 ./DRL_for_DDBC/base_station.py基站模拟器 ./DRL_for_DDBC/cellular_network.py蜂窝网络模拟器 ./DRL_for_DDBC/channel.py通道模拟器 ./DRL_for_DDBC/c

本算法用遗传算法和贪婪算法解决了背包问题，产生解得方法用贪婪算法，然后引入了一个错解的修复算法，搜索的时候用遗传算法。保证了快速收敛和解的完备性。包含源程序，算法介绍以及一份详细的报告，希望对读者有很大的帮助

贪婪的交通 使用贪婪算法优化交通信号灯

完整的压缩感知去噪程序，包括贪婪算法，K—SVD算法，以及相应的字典构造的源代码，可以直接放在matlab中运行。

matlab贪婪算法代码GRASP-for-Traveling-Salesman 用于解决旅行商问题的贪婪随机自适应搜索程序 (GRASP) % 作者：% William Arloff % 下面是针对旅行商问题的 GRASP 算法的代码 % 该算法通过调用贪婪随机初始化 % 来获得城市的贪婪随机化。 接下来，代码实现 % Local 搜索功能，该功能采用初始化的城市并搜索 % 更好的解决方案。 下面的代码将输出 % 最佳发现城市的最终集合、城市的贪婪初始化、与贪婪初始化的最佳发现距离以及本地搜索的最佳发现距离。 % 三个主要功能如下 % --------------------- 贪婪随机初始化 -------------------- % %[ 已使用，总计] = GreedyRandomInit（城市，随机数） % Cities ---> Matrix of cities inputted into the function % For greedy random initialization % randsize ----> The number of random cities

本算法用遗传算法和贪婪算法解决了背包问题，产生解得方法用贪婪算法，然后引入了一个错解的修复算法，搜索的时候用遗传算法。保证了快速收敛和解的完备性。包含源程序，算法介绍以及一份详细的报告，希望对读者有很大的帮助

贪心算法，基于MATLAB编程环境

马尔可夫链蒙特卡洛-0/1背包问题 该资料库引用了该学科的最终：《蒙特卡洛算法和马尔可夫链中的特殊主题》 ，PESC / COPPE / UFRJ ，由 教授在2018年第一学期教授。 学生们： 关于 该存储库的目的是为0/1背包问题建立解决方案，也就是说，每个元素都可以或不可以不经过重复就出现在解决方案中。 开发的代码旨在评估涉及Markov Chains Monte Carlo的不同算法的结果和性能。 与伪多项式求解算法和贪婪算法（称为“爬山”）相比，本文涵盖的技术涉及不同冷却和过渡策略下的随机游走，Metropolis Hastings，模拟退火算法。 此外，该存储库还试图提出可能的场景，在这些场景中，马尔可夫链蒙特卡洛算法比确定性算法更具优势。 运行算法 所有算法都是使用编写的，并且在src目录中可用。 在data目录中，您可以找到一些可以由算法执行的问题。 涉及Mark

常用算法集 动态规划 模拟退火算法 贪婪算法 遗传算法 搜索算法 Floyd算法 分治算法 概率算法 等等。。。