针对提高机器人对未知环境的探索效率需要通过协商来解决多个机器人之间的任务分配问题, 提出了改进
市场法. 该方法利用机器人提交的标的信息, 采用数据融合方法更新其他机器人的本地地图, 在连通条件下计算原先
无法计算的花费, 而且未增加额外的通信量. 另外, 还提出用目标点切换率这一新指标来衡量机器人之间的协作程
度. 仿真实验结果验证了改进算法优于原先的市场法, 并说明了该算法适用的环境.

【项目资源】： 包含前端、后端、移动开发、操作系统、人工智能、物联网、信息化管理、数据库、硬件开发、大数据、课程资源、音视频、网站开发等各种技术项目的源码。 包括STM32、ESP8266、PHP、QT、Linux、iOS、C++、Java、python、web、C#、EDA、proteus、RTOS等项目的源码。 【项目质量】： 所有源码都经过严格测试，可以直接运行。 功能在确认正常工作后才上传。 【适用人群】： 适用于希望学习不同技术领域的小白或进阶学习者。 可作为毕设项目、课程设计、大作业、工程实训或初期项目立项。 【附加价值】： 项目具有较高的学习借鉴价值，也可直接拿来修改复刻。 对于有一定基础或热衷于研究的人来说，可以在这些基础代码上进行修改和扩展，实现其他功能。 【沟通交流】： 有任何使用上的问题，欢迎随时与博主沟通，博主会及时解答。 鼓励下载和使用，并欢迎大家互相学习，共同进步。

使用MATLAB软件进行A*算法机器人路径规划代码编程仿真，得到多机器人路径规划仿真路径及坐标图，从空间、时间等不同角度进行分析，以清晰的机器人路径轨迹直观的展现多机器人在路径规划过程中的轨迹情况，并通过时空规划图和平面规划图的形式展现仿真结果，在机器人仿真程序中可对机器人起始坐标进行更改，以提供不同的机器人起始坐标，同时也可增加或减少机器人的数量，同时展现出更多机器人在路径规划过程中的情况。

基于高斯混合PHD滤波的多机动扩展目标跟踪

探究 用于多机器人探索的ROS软件包。 正在安装 已发布ROS Kinetic和ROS Lunar的软件包。 sudo apt install ros-${ROS_DISTRO}-multirobot-map-merge ros-${ROS_DISTRO}-explore-lite 建造 构建为标准的柔kin花色包。 不需要特殊的依赖关系（使用rosdep解决ROS中的依赖关系）。 您应该使用特定于您的释放的支管，即kinetic-devel的动力学级。 Master分支适用于最新的ROS。 维基 软件包记录在ROS Wiki中。 版权 软件包已获得BSD许可。 有关详细信息，请参见相应的文件。

multi_robot_sim 凉亭上的多机器人（TurtleBot）系统的3D模拟 这是为了动力学。 如何使用 此程序包取决于以下程序包： sudo apt install ros-kinetic-turtlebot* sudo apt install ros-kinetic-joy* 要启动该程序包： roslaunch multi_robot_sim robots_gazebo_rviz.launch 如果要更改世界或地图： roslaunch multi_robot_sim robots_gazebo_rviz.launch world_file:=/world_name.world map_file:=/map_name.yaml

LibSpritesGUI 上古神器I：精灵图2D图形引擎 想要一个能在单片机上运行的高性能的2D图形引擎，却不知道怎么如何下手？没问题！ 想要制作一些简单的GUI，却苦于不想写字库的处理？没问题！ 想要开发一点复杂的GUI，但是资源有限跑不动市表面的GUI库？没问题！ 甚至是想要制作复杂的动画，甚至是制作一款2D RPG游戏？也是没问题！ 让这个库帮你解决掉这些烦恼！ 注意：该项目因涉及大量整型运算优化，需要至少16位机方可运行 请放弃手动的51单片机吧，建议使用STM32 / ESP8266 / ESP32等更加先进又便宜的设备来运行 （演示视频位于static / demo.mp4） 它可以做什么？ 128x64分辨率，黑白输出，适合合适便宜的12864屏幕 最大可同时输出256个完全不同的精灵图 支持5个层叠（查找表）的叠加渲染 除背景层外，每个季度均支持多层多层信息 每个季度

智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真代码

智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真代码

颜色分类leetcode mlrose：机器学习、随机优化和搜索 mlrose 是一个 Python 包，用于将一些最常见的随机优化和搜索算法应用于一系列不同的优化问题，包括离散值和连续值参数空间。 项目背景 mlrose 最初是为了支持佐治亚理工学院 OMSCS/OMSA 课程 CS 7641：机器学习的学生而开发的。 它包括本课程中教授的所有随机优化算法的实现，以及将这些算法应用于整数字符串优化问题的功能，例如 N-Queens 和背包问题； 连续值优化问题，如神经网络权重问题； 和旅游优化问题，例如旅行商问题。 它还具有解决用户定义的优化问题的灵活性。 在开发时，不存在将所有这些功能集中在一个位置的单个 Python 包。 主要特点 随机优化算法 实现：爬山、随机爬山、模拟退火、遗传算法和（离散）MIMIC； 解决最大化和最小化问题； 定义算法的初始状态或从随机状态开始； 定义您自己的模拟退火衰减计划或使用三种预定义的可自定义衰减计划之一：几何衰减、算术衰减或指数衰减。 问题类型 解决离散值（位串和整数串）、连续值和旅游优化（旅行销售员）问题； 定义您自己的适应度函数以进行优化或