提出了一种基于RBF网络和启发式Q学习的改进，更强大的RNH-QL方法，用于在较大状态空间中进行路径搜索。 首先，如果增加了给定问题的状态空间并且缺少关于环境的先验信息，则解决了强化学习效率低下的问题。 其次，作为权重更新规则的RBF网络，奖励整形可以在某些中间状态下向代理提供额外的反馈，这将有助于以更可控的方式将代理引导至目标状态。 同时，通过Q学习的过程，底层动态知识可以访问它，而不需要上层RBF网络的背景知识。 第三，结合贪婪开发策略训练神经网络，提高了学习效率，实验结果证明了这一点。

本文介绍了分支定界法搜索差分分析和线性分析的最优路线。

利用高德地图api实现高德地图地点的搜索，同时可以设置规划路线，并保存规划路线的信息，路线规划支持按不同的策略生成规划路线。

以数据结构为图的邻接表,输入公交车站点与线路，查找最少站点线路和最少换乘线路，一个数据结构中关于图的课程设计