自动驾驶-决策规划算法十二：动态规划算法(C++)

自动驾驶-决策规划算法十二：动态规划算法(C++)

附赠自动驾驶学习资料和量产经验：链接

摘要：

本文介绍无人驾驶决策规划算法中的动态规划算法，动态规划是一种很经典的算法思路，通常用于求解多阶段决策过程最优化问题，应用非常广泛，在无人驾驶中通常用于在全局规划时求解最短路径问题。值得注意的是，动态规划的规划和无人驾驶中的路径规划，不是一个概念，但后者可以应用前者的思路。

Floyd算法就是用的动态规划的思路，是求解一个给定图中任意两点间的最短路径，而本文的动态规划算法稍有区别，是用于求解一个给定图中，给定的起点和终点之间的最短路径，因为这更符合无人驾驶中全局路径规划的问题。

之前Floyd用的是C语言，而本文用的是C++。

如有错误或者遗漏之处，欢迎指出。

---

基本概念：

/*

动态规划：求解多阶段决策过程最优化问题；

这里的规划不是无人车中的路径规划，但无人车做全局规划时可以用路径规划；

一个最优策略的子策略也是最优的；

逆向寻优，正向求解，从右往左逐阶段寻找最短路径；

三层循环：

1，遍历邻接矩阵的列；

2，遍历邻接矩阵的行；

3，遍历图的每个元素，也就是中间数；

Floyd算法就是一种动态规划，是求任意两个点之间的最短路径，而本文要求解的是给定的起点和终点之间的最短路径；

稠密图效果较佳；

为了方便，本文的图用邻接矩阵表达；

*/

动态规划.h

#pragma once
#include<iostream>
#include<graphics.h>
#include<vector>
using namespace std;

#define VertexType int	//图中顶点的数据类型
#define VRType int //对于无权图，用 1 或 0 表示是否相邻；对于带权图，表示权值
constexpr auto INFIN = 9999; //定义无穷大的数值
constexpr auto MAX_VERTEX_NUM = 20;	//顶点的最大个数
constexpr auto Swidth = 1200;
constexpr auto Sheight = 800;

class MGraph //图的顺序存储结构
{
public:
	MGraph();
	VertexType vexs[MAX_VERTEX_NUM]; //一维数组，存储图中顶点数据
	VRType d[MAX_VERTEX_NUM][MAX_VERTEX_NUM]; //二维数组，记录顶点之间的权值
	int vexnum = 13;	//记录图的顶点数
	int arcnum = 0;//记录图的弧（或边）数

	int widthSide = 50;//两边留的距离
	int widthDis = (Swidth - widthSide * 2) / 5;//间隔
	int arr[MAX_VERTEX_NUM][2];//顶点的坐标
};

class DP
{
public:
	DP();//默认用给定的图，在这里初始化
	int LocateVex(VertexType v); //判断顶点在二维数组中的位置，手动建图时才会用到
	void CreateUDG();//构造有向带权图，默认用给定的图
	void PrintGrapth(); //打印整个图
	void DrawGrapth();//绘制整个图
	void DPshortest();//动态规划求最短路径
	void printMatrix();//打印矩阵
	void showResult();//显示结果

public:
	MGraph G;//创建图的对象
	TCHAR num[8] = { 0 };//文字变量
	RECT rX, rY;//顶点文字
	RECT aX, aY;//弧的文字
	int D[MAX_VERTEX_NUM][MAX_VERTEX_NUM];//存储顶点间的最小路径
	int P[MAX_VE