主要研究现代新兴技术在医院组网中的应用

规划并模拟扫地机器人的清扫路径，并与随机游走的清扫方式做对比 规定扫地机器人的尺寸为1×1的网格，地图尺寸为20×15（参数可修改），在利用矩阵Tag储存障碍物信息（障碍物标1，非障碍物标0），barrier_generate函数随即生成障碍物 路径规划考虑采用深度优先搜索算法，根据标记矩阵Tag的信息，找到网格之间可达性关系，建立图的邻接压缩表，深度优先搜索求出路径（深度优先所搜算法是在别人的代码上进行修改） 深度优先搜索源码地址 可视化过程中首先建立起地图网格，利用网格着色体现扫地机器人的运动过程，白色表示未清扫过，黑色表示障碍物，蓝色表示清扫过一次，红色表示反复清扫过。 随机游走采用向上下左右四个方向等可能地游走，可视化过程和路径规划的一样 主函数返回的是路径规划和随机游走所花的总步数

动态窗口法实现二维路径规划，可以设置圆形动/静态障碍物

基于改进稀疏A*编队航迹实时规划方法

vmware vsphere vsan平台中文教程、指导手册。

arcgis工具，对国土空间规划的gdb数据库保持原结构和信息进行裁剪，便于批量输出，如乡镇级的可按村界输出各村规划数据库，arcgis10.2版本

在使用深度强化学习算法（Deep Reinforce Learning,DRL）舶能量调度问题中，对智能体调度的结果难以判断，因此需要给出一个基准最优解，使得对智能体的调度结果能做出正确的评价，有助于增强DRL能量调度算法的说服力，同时对DRL能量调度算法的改进具有引导作用。本代码基于python，使用groubi求解器，建立了电力系统能量调度模型，并使用非线性规划算法求出了经济性最低的能量调度方式。本代码适合电力系统初学者学习。

路径规划综述,常用的路径规划算法及改进策略

针对蚁群算法容易陷入局部最优,收敛速度慢,难以解决大规模问题,提出依据信息熵和停滞次数的动态信息素的更新策略和基于最优路径集合的奖惩策略的蚁群算法,在动态信息素更新策略中,利用收敛系数来动态调节信息素,从而有效的平衡算法的多样性和收敛性.在搜索过程中,通过持续增大收敛系数,加快了收敛速度;当信息熵降低或者停滞次数达到一定数值时,通过降低收敛系数,从而跳出局部最优.同时基于最优路径集合,对较优路径奖励,对其他路径惩罚,通过减少蚂蚁每一步可选城市的数量,加快了收敛速度.并且使用三种局部优化方法,从而进一步提高解的精度.经过实验测试,该算法用于解决旅行商 TSP(Travelling Salesman Problem)问题,具有较高的求解精度,并能有效平衡解的精度和收敛速度的矛盾.

13基于快速扩展随机树（RRT / rapidly exploring random tree）的路径规划算法，通过对状态空间中的采样点进行碰撞检测，避免了对空间的建模，能够有效地解决高维空间和复杂约束的路径规划问题。该方法的特点是能够快速有效地搜索高维空间，通过状态空间的随机采样点，把搜索导向空白区域，从而寻找到一条从起始点到目标点的规划路径，适合解决多自由度机器人在复杂环境下和动态环境中的路径规划。与PRM类似，该方法是概率完备且不最优的。