【TSP问题】基于人工蜂群算法求解旅行商问题含Matlab源码

用于验证算法的有效性

针对蚁群算法存在的搜索时间长、易限于局部最优解等缺陷，提出了一种改进的蚁群算法。通过在初始化信息素矩阵中采用候选城市列表减少劣质解，在局部搜索中采用聚类进行二次搜索，缩小了算法的搜索范围、改善了解空间的质量，提高了搜索速度。仿真结果表明，改进后的蚁群算法在TSP的求解中，收敛速度和全局寻优能力均得到较大的提高。

代码在Visual Studio2010上编译通过，运行方法直接将附带的51个城市数据复制进入控制台即可运行出结果。

【达摩老生出品，必属精品，亲测校正，质量保证】 资源名：连续Hopfield神经网络的优化_旅行商问题优化计算_matlab 资源类型：matlab项目全套源码 源码说明： 全部项目源码都是经过测试校正后百分百成功运行的，如果您下载后不能运行可联系我进行指导或者更换。 适合人群：新手及有一定经验的开发人员

【TSP问题】基于遗传算法求解13城市旅行商问题Matlab源码.zip

【TSP问题】基于模拟退火结合遗传算法求解旅行商问题matlab源码.zip

在这个 M 文件中，在列出的参考论文的支持下给出了 ACO 算法的实现。 您可以轻松地将其用作以下命令来查看结果和播放迭代过程的图片。 ACO('文件名.tsp'); filename.tsp 是对称或非对称 TSP 问题的问题文件，您可以从以下站点下载： http : //elib.zib.de/pub/mp-testdata/tsp/tsplib/tsp/index.html 由于ACO算法有多种类型，因此给出了基本的一种蚂蚁系统（AS），它是独创的。 更多问题或其他ACO算法，您可以通过电子邮件codstar@126.com与我联系。 如果您想将其用于商业用途，请告诉我。 非常感谢 Doug Hull 的建议！

针对标准蚁群算法易于出现早熟停滞现象，提出了一种自适应多态免疫蚁群算法（adaptive polymorphic immune ant colony algorithm，PIACA）。通过设置多种状态蚁群及引入自适应多态蚁群竞争机制，PIACA算法能有效抑制收敛过程中的早熟停滞现象。将禁忌表中每只蚂蚁走过的路径视为抗体，对抗体运用局部最优搜索算法和免疫克隆选择算法进行高效优化，提高了解的质量。针对TSP实验结果表明，该算法在收敛速度及求解精度上均取得到了较好的效果。

提出了一种基于局部搜索机制快速求解TSP的遗传算法。基于局部搜索机制,自适应地将标准遗传算法与局部启发式算法结合,使得局部启发式算法只在有效改善种群个体质量的情况下才允许执行,有效地避免了因局部搜索次数过多而引起的陷入局部最优和计算负担过重现象的发生。仿真结果表明,该算法具有较强的全局优化能力及较快的收敛速度,在求解TSP问题时有较高效率。