VB6.0编写，利用Commondialog控件选择多个文件，并获取各个文件的路径，可以直接使用！！！！！！！！！！

用MATLAB实现路径规划，采用A*算法，三维路径规划也可以。

华为杯-全国研究生数学建模竞赛C题-区域双碳路径规划研究-国三：构建了粒子群优化算法（PSO）来训练径向基函数（RBF）神经网络预测模型，通过PSO算法对径向基中心参数进行优化，以此达到对整个RBF神经网络的优化，提高预测精度。以2030年达到碳达峰，2060年达到碳中和为确定时间节点，设计了雄心、基本和自然三种不同的情景，改进kaya模型，引入技术、政策、能源消费架构、环保意识因素，以此为基础，利用问题二中建立的碳排放量预测模型对不同情景下进行碳排放预测。提出率先碳达峰与碳中和、按时达到碳达峰与碳中和和没有人为干预下的碳达峰碳中和情况下的碳减排措施。

基于人工势场法的跳点搜索算法

图论算法包括：图的存储与遍历，最小生成树，最短路径，拓扑排序等

一篇关于路径规划的文章，在二维空间的路径规划，给定的数据去规划最优路径，采用迪杰特斯拉以及蚁群等算法；首先构建规划环境，接着考虑在多种的约束下以及外界的环境去寻优，并且延伸到三维中去规划路径（MATLAB可运行）

动态规划算法求解TSP 用动态规划算法求解TSP，数据为Solomon数据集的c101文件读取，可视化路径图，用图展示每次迭代的最优值、最差值和平均值，并与Gurobi求解结果比较各计算时间下的目标值。动态规划算法求解TSP 用动态规划算法求解TSP，数据为Solomon数据集的c101文件读取，可视化路径图，用图展示每次迭代的最优值、最差值和平均值，并与Gurobi求解结果比较各计算时间下的目标值。动态规划算法求解TSP 用动态规划算法求解TSP，数据为Solomon数据集的c101文件读取，可视化路径图，用图展示每次迭代的最优值、最差值和平均值，并与Gurobi求解结果比较各计算时间下的目标值。动态规划算法求解TSP 用动态规划算法求解TSP，数据为Solomon数据集的c101文件读取，可视化路径图，用图展示每次迭代的最优值、最差值和平均值，并与Gurobi求解结果比较各计算时间下的目标值。动态规划算法求解TSP 用动态规划算法求解TSP，数据为Solomon数据集的c101文件读取，可视化路径图，用图展示每次迭代的最优值、最差值和平均值，并与Gurobi求解结果比较各计算时间下

用ACO解决TSP问题，数据为Solomon数据集的c101文件读取，可视化路径图，用图展示每次迭代的最优值、最差值和平均值，并与Gurobi求解结果比较各计算时间下的目标值。用ACO解决TSP问题，数据为Solomon数据集的c101文件读取，可视化路径图，用图展示每次迭代的最优值、最差值和平均值，并与Gurobi求解结果比较各计算时间下的目标值。用ACO解决TSP问题，数据为Solomon数据集的c101文件读取，可视化路径图，用图展示每次迭代的最优值、最差值和平均值，并与Gurobi求解结果比较各计算时间下的目标值。用ACO解决TSP问题，数据为Solomon数据集的c101文件读取，可视化路径图，用图展示每次迭代的最优值、最差值和平均值，并与Gurobi求解结果比较各计算时间下的目标值。用ACO解决TSP问题，数据为Solomon数据集的c101文件读取，可视化路径图，用图展示每次迭代的最优值、最差值和平均值，并与Gurobi求解结果比较各计算时间下的目标值。用ACO解决TSP问题，数据为Solomon数据集的c101文件读取，可视化路径图，用图展示每次迭代的最优值、最差值和平

针对城市中停车位狭小、现有自动泊车方法缺乏连贯性的问题, 提出一种自动平行泊车算法。对现有的五阶多项式路径规划方法加以改进, 并有针对性地设计罚函数, 采用遗传算法计算最佳泊车路径和最小泊车空间, 实现自动平行泊车。仿真结果表明, 该算法能快速有效地完成泊车, 车辆损伤小, 对空间的要求最低。

遗传算法的概念最早是由Bagley J.D 于1967年提出的。后来Michigan大学的J.H.Holland教授于1975年开始对遗传算法（Genetic Algorithm, GA）的机理进行系统化的研究。遗传算法是对达尔文生物进化理论的简单模拟，其遵循“适者生存”、“优胜略汰”的原理。遗传算法模拟一个人工种群的进化过程，并且通过选择、杂交以及变异等机制，种群经过若干代以后，总是达到最优（或近最优）的状态。 自从遗传算法被提出以来，其得到了广泛的应用，特别是在函数优化、生产调度、模式识别、神经网络、自适应控制等领域，遗传算法更是发挥了重大的作用，大大提高了问题求解的效率。遗传算法也是当前“软计算”领域的重要研究课题。 本文首先结合MATLAB对遗传算法实现过程进行详细的分析，然后通过1个实际的函数优化案例对其应用进行探讨。 1. 遗传算法实现过程 现实生活中很多问题都可以转换为函数优化问题，所以本文将以函数优化问题作为背景，对GA的实现过程进行探讨。大部分函数优化问题都可以写成求最大值或者最小值的形式，为了不是一般性，我们可以将所有求最优值的情况都转换成求最大值的形式，