前几年的Android应用源码Demo，主要面向的是学生毕业设计学习。

XPath from https://www.w3.org/TR/1999/REC-xpath-19991116/

我们研究了在 makespan（最后到达时间）标准上的图（MPP）上的最优多机器人路径规划问题。 我们实现了 A* 搜索算法来寻找解决方案。 在 MPP 实例中，机器人被唯一标记（即，可区分）并被限制在 nxn 平方连接图中。 在没有碰撞的情况下，机器人可能会在一个时间步长内从一个顶点移动到相邻的一个顶点，这可能发生在两个机器人同时移动到同一顶点或沿同一条边向不同方向移动时。 我们的 MPP 公式的一个显着特点是我们允许机器人在完全占用的循环中同步旋转。 为了解决上述问题，我们实施了 A* 算法，以从给定的初始 3x3 机器人位置和所需的 3x3 机器人位置中找到最佳路线。 第一个算法开始构建图，其连接向我们展示了可能的运动。 然后我们将其扩展为基于时间的图。 根据时间扩展图，每个时间步长都复制所有节点。 这意味着如果我们有 3x3 节点作为给定的例子，我们将在我们的时间扩展图中有 3

DRL深度强化学习无人机路径规划程序源码

###构造函数Dubins(航点数组[xy],dubinsRadius,softingPoint) ＃＃＃ 结果 数组 ###信息- 更大的 softingPoint 使 dubins 圈更柔和，但需要更多的计算- 结果可以在 Dubins.result [array of] 中访问＃＃＃ 例子航点 = [1 1 ; 4 3 ; 8 7]; 半径= 1; dubins = Dubins（航点，半径，10）； 结果 = dubins.result;

路径规划算法 A*算法 蚁群算法

多主体路径规划 该代码包含我在法国国家计算机科学研究院@Inria担任机器学习实习生六个月的工作。 我工作的主要思想是开发一种由Graph Neural Networks支持并与Deep Reinforcement Learning算法融合的机器学习模型，以构建可推广到不同网络拓扑结构的多主体路径规划算法，同时保持快速的通信和有效的收敛。 我们使用CoppeliaSim作为模拟器来查看算法在移动机器人上的性能。 所有代码都是用Python3编写的，并且我们使用Ros2-Interface与CoppeliaSim进行通信。 先决条件 在使用main.py代码之前，请确保已安装以下组件： NumPy 大熊猫 ROS2 科佩利亚·西姆（CoppeliaSim） ROS2-接口 CoppeliaSim中的仿真 我们在CoppeliaSim的两个bubblerob上测试了我们的算法，但

启动matlab时有个警告 : Warning: MATLAB Toolbox Path Cache is out of date and is not being used.照提示键入 >>Type 'help toolbox_path_cache' for more info 然后是一个文档。 看到这里即可解决问题.文档中有操作的截图.

JsonPath.zip,使用jsonpathjava jsonpath实现的json断言

使用RRT算法的机器人路径规划 使用快速探索的随机树算法，在具有多个障碍的室内机房中进行机器人路径规划。 如何运行。 安装python3 安装numpy和matplotlib软件包 点安装numpy pip安装matplotlib Git克隆此仓库或下载 转到仓库目录 打开终端/ cmd python rrt_pathplanning.py 享受！