贪吃蛇matlab代码 sea-Greedy Snake 项目背景 该项目是基于sea的简易贪吃蛇游戏，由相关besys3项目移植。 编程实验软件平台为 VIVADO 2019.1 版本，选用芯片均为 xc7s15ftgb196-1。用到的附加外设包括：Mini HDMI 转 HDMI 线、显示器、CH05蓝牙模块、游戏手柄等。用到的辅助工具包括:Matlab R2018a 等。 该游戏有简单模式和疯狂模式，两种模式蛇运动的速度不一样，对应难度也不一样。且可以用两种方式进行游戏：分别是SEA的拓展板—游戏手柄上的按键控制；以及手机app通过蓝牙远程控制。 项目部分介绍 drawsnake部分 在该部分，我们提供了FPGA部分的工程代码。在Vivado平台实现，且为纯硬核实现(verilog方式)。 该部分更多内容参考该部分的readme文件 matlab部分 在该部分，我们提供了matlab部分的工程代码。主要为相关图像的coe文件生成。 该部分更多内容参考该部分的readme文件 项目的基本结构

1.直接运行main_csdn.py检查路径 2.算法的具体实现在BasicAlgorithm.py文件中，里面涵盖了BFS、DFS、Dijkstra、Greedy Best First Search、A*五种静态场景的路径规划算法，算法应用于二维的栅格场景 3.几种算法的基本关系： （BFS、DFS）广度和深度优先搜索，最基本的暴力求解算法 （Dijkstra）在BFS的基础之上添加了低成本优先的贪心策略（估价函数） （Greedy Best First Search）在BFS的基础之上添加了启发式 （A*）结合了估价函数和启发式 以上是我个人的理解以及代码实现，具体原理可参考站内其他资源~

行列式计算用matlab的代码基于行列式的快速贪婪传感器选择算法与相关测量噪声 该存储库包含 Matlab (R2020b) 代码，用于重现基于行列式的快速贪婪传感器选择算法的结果。 由于GitHub文件大小限制，网上链接了一个数据集： sst.wkmean.1990-present.nc lsmask.nc 海洋海面温度数据由 NOAA 提供。 NOAA_OI_SST_V2 数据由美国科罗拉多州博尔德市的 NOAA/OAR/ESRL PSD 提供，来自其网站 . 执照 代码 主程序 P_greedy_noise_demo.m 功能 预处理 F_pre_read_NOAA_SST.m F_pre_SVD_NOAA_SST.m F_pre_truncatedSVD.m 传感器选择 F_sensor_random.m F_sensor_DG.m F_sensor_DG_r.m F_sensor_DG_p.m F_sensor_DGCN.m F_sensor_DGCN_r.m F_sensor_DGCN_p.m F_sensor_BDG.m 计算 F_calc_det.m F_calc_se

这是一组 2000 个随机生成的 k 臂老虎机k = 10 的问题。对于每个强盗问题，动作值， q*(a), a = 1,2 .... 10, 是根据均值为 0 的正态（高斯）分布选择的，并且方差 1. 然后，当应用于该问题的学习方法在时间步长 t 选择动作 At 时， 实际奖励 Rt 选自均值为 q*(At) 且方差为 1 的正态分布。 对于任何学习方法，我们都可以衡量它的性能和行为，因为它随着经验的增加而改进应用于其中一个老虎机问题时的 1000 个时间步。 这构成了一次运行。 重复这个对于 2000 次独立运行，每次运行都有不同的老虎机问题，我们获得了学习的度量算法的平均行为。 我们使用样本平均技术进行动作价值估计，并通过绘制 2000 次模拟的平均奖励来比较贪心算法的结果。 也可以针对非贪婪算法修改代码。

云计算中融入贪心策略的调度算法研究，周舟，胡志刚，鉴于Min-Min算法优先调度小任务而Max-Min算法优先调度大任务而导致云系统资源不平衡的问题，提出了一种新的算法叫Min-Max. Min-Max算法对时

windows 32位汇编语言编写的贪吃蛇项目，双击目录下的Debug下的Greedy snake.exe即可运行。可以使用visial studio打开项目。大概用了600行代码。

GBD的出处论文，看到好多人10积分下载，真的奸商啊。这里直接最低积分分享

Q-learning with epsilon-greedy explore Algorithm for Deterministic Cleaning Robot V1 确定性清洁机器人 MDP 清洁机器人必须收集用过的罐子也必须为其充电电池。 状态描述了机器人的位置和动作描述运动的方向。 机器人可以向左移动或向左移动正确的。 第一个 (1) 和最后 (6) 个状态是终端状态。 目标是找到最大化回报的最优策略从任何初始状态。 这里是 Q-learning epsilon-greedy 探索使用算法（在强化学习中）。 算法 2-3，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

利用A*, greedy, Dijkstra, RRT算法，针对迷宫障碍物栅格地图，采用8连接方法，找一 条从起始点到目标点的无

计算模型与算法技术：9-Greedy Technique.ppt