多约束条件下蚁群算法解无人机轨迹规划，其中包含了2019年研究生数学建模竞赛解答的python代码，提供了蚁群算法解决无人机多约束条件下的航迹规划问题

析泊车轨迹曲线特点，在已有轨迹函数基础上提出新的轨迹函数，通过对实际泊车轨迹的拟合证明该函数的可用性。分析泊车环境中存在的可能碰撞点，建立相应的避撞约束函数。以泊车环境障碍约束、车辆自身参数约束、泊车初始点方位约束、泊车终点位置约束为轨迹函数的约束函数，以泊车终点车辆与车位夹角最小为目标函数建立单目标多约束轨迹方程。分别对一般泊车环境和狭小空间泊车环境进行泊车轨迹规，利用 Matlab软件非线性约束优化函数求得轨迹函数参数。仿真结果表明：对于一般泊车环境，该方法能满足泊车轨迹曲率连续性，使车辆无碰撞进入车位，并使车辆与车位平行；对于狭小空间泊车环境，虽未能使车辆与车位平行，但实现了车辆无碰撞地泊车入位并保证轨迹曲率的连续性。由此可知该方法可实现车辆无碰撞地泊车入位，并满足轨迹曲率连续性要求，有效地解决了泊车过程中停车转向问题。

析泊车轨迹曲线特点，在已有轨迹函数基础上提出新的轨迹函数，通过对实际泊车轨迹的拟合证明该函数的可用性以泊车环境障碍约束、车辆自身参数约束、泊车初始点方位约束、泊车终点位置约束为轨迹函数的约束函数，以泊车终点车辆与车位夹角最小为目标函数建立单目标多约束轨迹方程。分别对一般泊车环境和狭小空间泊车环境进行泊车轨迹规划，利用 Matlab软件非线性约束优化函数求得轨迹函数参数。

获得全国研究生数学建模三等奖 代码供大家学习参考讨论 2019年第十六届中国研究生数学建模竞赛F题 多约束条件下智能飞行器航迹快速规划

现如今，智能飞行器技术被广泛应用于军事领域及民生领域，为了使飞行器适应复杂 的环境，克服自身系统结构限制，减小在飞行过程中的误差，需要提高其系统定位精度限 制下的航迹快速规划能力。本文是以飞行器的航迹段数及校正次数最少为目标，根据校正 点布局、校正误差约束和 B 点所能接受的最大误差等条件，利用了经典迭代算法和逐步搜 索方法对问题进行求解，得到了优化的航迹路径规划，成功地完成了飞行任务。

近年，随着近智能算法的发展和智能飞行器的崛起，智能飞行器的快速航迹规划成为了一个热点研究方向。本文以多约束条件下智能飞行器航迹快速规划为研究课题，由于系统结构限制，这类飞行器的定位系统无法对自身进行精确定位，一旦定位误差累计到一定程度可能导致任务失败。因此，需要考虑飞行器在行进过程中自动校正飞行误差，使其按照预定的飞行轨迹飞行。针对智能飞行器在复杂环境下航迹快速规划的两个优化目标：最短的航迹长度和最少的经过校正点进行校正的次数，本文使用了多目标优化算法中的带精英策略的遗传算法(NSGA-II算法)建立数学模型，寻找最优解。

自 2011 年开始，北京市十一学校开展了走班选课的课程改革试点工作，经过几年的实践探 索，逐渐形成了一套分层与分类协同、高端与援助并存的多元化课程体系，在过去几年的实践中，根据实践 探索提出了三种分层走班选课的排课思路：基于学生分组、基于课程分组 V1.0、基于课程分组 V2.0，分别适 应不同的要求。 并在云校公司的自动排课系统帮助下，实现了从人工排课到自动排课的转变，解决了多约 束条件下分层分类课程的排课困境，提高了排课效率，为学校的分层走班选课改革提供了强有力的支持。

多约束的广义预测控制GPC，matlab程序，使用fmincon函数来求解约束下的性能指标，可以通过修改fmincon中的参数来实现不同的约束。