主要介绍了Python基于动态规划算法解决01背包问题,结合实例形式分析了Python动态规划算法解决01背包问题的原理与具体实现技巧,需要的朋友可以参考下

基于线程队列动态规划法的GPU性能优化.pdf

01背包计算器-网页版，vue+iview实现，非webpack版，引入cdn简单实现。 引用文件均下载到本地引用的，不联网也可打开。 例子由学习动态规划练手写的小案例。

语言为C/C++ 主要是对递归，归并，贪心，动态规划几个经典栗子的实现

第一讲-动态规划算法详解及其应用.ppt

随机清洁机器人的基于模型的值迭代算法。 这段代码是值迭代算法的一个非常简单的实现，对于强化学习和动态规划领域的初学者来说，它是一个有用的起点。 随机清洁机器人 MDP：清洁机器人必须收集用过的罐子，还必须为电池充电。 状态描述了机器人的位置，动作描述了运动的方向。 机器人可以向左或向右移动。 第一个 (0) 和最后 (5) 个状态是终止状态。 目标是找到一个最优策略，使任何初始状态的回报最大化。 这里是 Q-iteration（基于模型的值迭代 DP）。 参考：算法 2-2，来自： @book{busoniu2010reinforcement, title={使用函数逼近器的强化学习和动态规划}， 作者={Busoniu，Lucian 和 Babuska，Robert 和 De Schutter，Bart 和 Ernst，Damien}， 年={2010}, 出版商={CRC Press}

QtC++用动态规划，djistra，Astar，Qlearning实现的路径规划，地图用十字链表储存。

基于数据的自适应动态规划——总体最小二乘法

HDP单网络启发式动态规划，自适应动态规划中较为简单的网络，很好的入门例子，可运行。

参见博文https://blog.csdn.net/weixin_43835470/article/details/108666595，两个用户需要缓存文件，文件总数3，用户缓存容量为2，怎样缓存取得最优值。 stage1阶段，只能缓存文件1，到stage2阶段，就可以缓存文件2，在缓存文件1得到的最优值基础上，加上缓存文件2，可以从Uf表中得到，便可得到新的缓存后的最优值，对每一个state，有不同的组合，这个状态就是可以缓存的最大容量，必须要在容量内进行组合，并比较取得最优值，从stage3，多个stage2的状态到stage3状态（2 2），最后比较得到整个决策过程的最优值。