规划图算法
⑴ 怎样用动态规划算法解决24点问题，稍详细些，谢谢
枚举法： Enumeration
排序：Sort
贪心法：Greedy algorithm
递归：Recursion
分治：Divide and Rule
深度优先搜索：Depth First Search(DFS)
宽(广)度优先搜索：Breadth First Search(BFS)
动态规划：Dynamic Programming(DP) 也有人叫它 Dynamic Process
离散化：Discretization
栈：Stack Last in First out (LIFO)
队列：Queue First in First out(FIFO)
顺序表：Array Array-Based List
链表：Chain Linked List
广义表：Lists
串：String
集合：Set
树：Tree
二叉树：Binary Tree
完全二叉树：Complete Binary Tree
二叉搜索树：Binary Search Tree(BST)
堆：Heap
图：Graph
哈希表：Hash Table
并查集：Union-Find Sets 或 Disjoint Sets
最大匹配：maximal matching
线段树：Segment Tree
树状数组：Binary Indexed Tree
伸展树：Splay Tree
左偏树：Leftist Tree 或 Leftist Heap
斐波那契堆：Fibonacci Heap
后缀树：Suffix Tree
网络流：Network Flows
凸包：Convex Hull
叉积：Cross Function
高斯消元：Gaussian Elimination
匹配：Matching
矩阵：Matrix
⑵ 有哪些应用于移动机器人路径规划的算法
机器人家上了解到，在二维二值地图（FREE or OCCUPIED）场景下进行路径规划的方法。我看之前有同学在回答的时候配上了这幅图：
这幅图上的算法罗列的还是很全面的，体现了各个算法的出生顺序。但是并不能很好的对他们进行一个本质的分类。刚刚那位同学说的graph-based和sampling-based的分类方法我感觉有点概念重叠不能够对规划算法进行这样的分类，下面通过自己这一年多的研究和实践对规划算法进行一个简单的分类：
这幅图上的算法罗列的还是很全面的，体现了各个算法的出生顺序。但是并不能很好的对他们进行一个本质的分类。刚刚那位同学说的graph-based和sampling-based的分类方法我感觉有点概念重叠不能够对规划算法进行这样的分类，下面通过自己这一年多的研究和实践对规划算法进行一个简单的分类：
两大类：
1. 完备的（complete)
2. 基于采样的（sampling-based）又称为概率完备的
一 完备的规划算法
A*算法
所谓完备就是要达到一个systematic的标准，即：如果在起始点和目标点间有路径解存在那么一定可以得到解，如果得不到解那么一定说明没有解存在。
这一大类算法在移动机器人领域通常直接在occupancy grid网格地图上进行规划（可以简单理解成二值地图的像素矩阵）以深度优先寻路算法、广度优先寻路算法、Dijkstra(迪杰斯特拉)算法为始祖，以A*算法(Dijstra算法上以减少计算量为目的加上了一个启发式代价)最为常用，近期的Theta*算法是在A*算法的基础上增加了line-of-sight优化使得规划出来的路径不完全依赖于单步的栅格形状（答主以为这个算法意义不大，不就是规划了一条路径再简单平滑了一下么）。
完备的算法的优势在与它对于解的捕获能力是完全的，但是由此产生的缺点就是算法复杂度较大。这种缺点在二维小尺度栅格地图上并不明显，但是在大尺度，尤其是多维度规划问题上，比如机械臂、蛇形机器人的规划问题将带来巨大的计算代价。这样也直接促使了第二大类算法的产生。
二 基于采样的规划算法
RRT-connect算法
这种算法一般是不直接在grid地图进行最小栅格分辨率的规划，它们采用在地图上随机撒一定密度的粒子来抽象实际地图辅助规划。如PRM算法及其变种就是在原始地图上进行撒点，抽取roadmap在这样一个拓扑地图上进行规划；RRT以及其优秀的变种RRT-connect则是在地图上每步随机撒一个点，迭代生长树的方式，连接起止点为目的，最后在连接的图上进行规划。这些基于采样的算法速度较快，但是生成的路径代价（可理解为长度）较完备的算法高，而且会产生“有解求不出”的情况（PRM的逢Narrow space卒的情况）。这样的算法一般在高维度的规划问题中广泛运用。
三 其他规划算法
除了这两类之外还有间接的规划算法：Experience-based（Experience Graph经验图算法）算法：基于经验的规划算法，这是一种存储之前规划路径，建立知识库，依赖之进行规划的方法，题主有兴趣可以阅读相关文献。这种方法牺牲了一定的空间代价达到了速度与完备兼得的优势。此外还有基于广义Voronoi图的方法进行的Fast-marching规划，类似dijkstra规划和势场的融合，该方法能够完备地规划出位于道路中央，远离障碍物的路径。答主最近也在研究此类算法相关的工作。
APF（人工势场）算法
至于D* 、势场法、DWA(动态窗口法)、SR-PRM属于在动态环境下为躲避动态障碍物、考虑机器人动力学模型设计的规划算法。
⑶ 线性规划的简便算法
高中吗？一般是送分的啊。
⑷ 怎么使用动态规划算法对图像进行立体匹配呢具体做法
这个是主要的代码。 它可以分为几下几个部分： （1）这里DP算法只在每一行中进行搜索，那么应该记录下两图的每一对应行的 cost function的值，程序用的是SAD方法。 （2）开始从最后一行开始进行搜索，这里因为好像要将当前元素与前后三个元素进。
⑸ 目标规划层次算法 手解与计算机解的差异以及其产生的原因
此解和书上给的答案并没有任何矛盾之处，由于目标规划跟简单的线性规划不同。目标规划中，偏差变量只有两种取值，或者大于零，或者就是零。所以在线性规划图中，目标值向另一个方向移动的时候只能是零，故书中的E点
⑹ 设计一个动态规划算法
贪心算法是种策略，思想。。。
它并没有固定的模式
比如最简单的背包问题
用贪心的思想去做，就可能有很多种方法
性价比最高的、价值最高的、重量最轻的
而你没办法确保你所选择的贪心策略对所有的情况都是绝对最优的
动态规划的思想是分治+解决沉余
把一个复杂的问题分解成一块一块的小问题
每一个小问题中得到最优解
再从这些最优解中获取更优的答案
典型的例子数塔问题
画个图就能看出来
⑺ 设计动态规划算法有哪些主要步骤
动态规划算法通常用于求解具有某种最优性质的问题。在这类问题中，可能会有许多可行解。每一个解都对应于一个值，我们希望找到具有最优值的解。动态规划算法与分治法类似，其基本思想也是将待求解问题分解成若干个子问题，先求解子问题，然后从这些子问题的解得到原问题的解。与分治法不同的是，适合于用动态规划求解的问题，经分解得到子问题往往不是互相独立的。若用分治法来解这类问题，则分解得到的子问题数目太多，有些子问题被重复计算了很多次。如果我们能够保存已解决的子问题的答案，而在需要时再找出已求得的答案，这样就可以避免大量的重复计算，节省时间。我们可以用一个表来记录所有已解的子问题的答案。不管该子问题以后是否被用到，只要它被计算过，就将其结果填入表中。这就是动态规划法的基本思路。具体的动态规划算法多种多样，但它们具有相同的填表格式。
⑻ 全局路径规划算法
全局路径规划，主要算法有
1、网格法、
2、拓扑法、
3、视图法。
⑼ 动态规划算法 急，谢了哦！！
ab矩阵与bc矩阵相乘开销是ab^2c。
无论按什么顺序相乘，最终还是转化成两个矩阵相乘。
设N个矩阵为矩阵0到矩阵N-1。
构造2维数组(N,N)，每个元素(m,n)保存矩阵m乘到n的最小消耗，那么（m,n+1）的最小消耗需要将从矩阵x（m<=x<=n）的右侧切开,得到m到x的最小消耗(m,x)和x+1到n+1的最小消耗（x+1，n+1），以及得到的两个矩阵相乘的消耗，求和，由x的变化可以得到n-m+1个值，其中最小者即为（m,n+1）的最小消耗。
整个过程即为：算矩阵相乘的1到2的最小消耗，2到3的最小消耗，3到4的最小消耗……N-1到N的最小消耗，然后算1到3的最小消耗，2到4的最小消耗……如此直到算出1到N的最小消耗。
或者算1到2，2到3，1到3，3到4，2到4，1到4，4到5，3到5，2到5，1到5，5到6，4到6……也是一样的。
很simple的想法，没去想高效方法了，复杂度考虑计算两矩阵相乘开销的次数即ab^c乘法的次数易知为(N-1)*1+(N-2)*2+(N-3)*3+……+2*(N-2)=O(N^3)。
如果最后还要相乘的话，除了保存最小消耗还要用一个值保存最小消耗的分割点，最后相乘的时候，先把（0，N-1）的分割点x，将x左边相乘再把右边相乘最后两矩阵相乘，计算左边相乘时同样要用到(0,x)的分割点如此递归下去知道(y,y+1)的分割点只有一个y。