该存储库使用温度并行模拟退火(TPSA)解决旅行商问题 (TSP )。TPSA 是一种模拟退火方法的并发算法 效果展示：https://user-images.githubusercontent.com/24369487/81168922-e4a2cc80-8fd2-11ea-9c4d-1ab99b36e361.gif 输入 输入数据是指数据目录中的一个文件。在 TSPLIB 中存储一些数据。 输出 TPSA 求解结果和 TSPLIB 精确求解结果输出如下。 更多详情、使用方法，请下载后阅读README.md文件

分支限界法求解TSP问题程序设计说明书

大规模 MIMO 系统的上行数据检测问题中的格基（信道矩阵）自然是短的和正交的，因此建议我们可以应用不使用格约简的混合方案。 仿真结果证实了这种扩展的有效性。

遗传算法（GeneticAlgorithm）是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型，通过模拟自然进化过程搜索最优解。遗传算法是从代表问题可能潜在的解集的一个种群（population）开始的，初代种群产生之后，按照适者生存和优胜劣汰的原理，逐代（generation）演化产生出越来越好的近似解，在每一代，根据问题域中个体的适应度（fitness）大小选择个体，并借助于自然遗传学的遗传算子（genetic operators）进行组合交叉（crossover）和变异（mutation），产生出代表新的解集的种群。这个过程将导致种群像自然进化一样的后生代种群比前代更加适应于环境，末代种群中的最优个体经过解码（decoding），可以作为问题近似最优解

旅行商问题的0-1整数规划模型及算法

算法复杂度分析 算法分析 如果程序终止于NC 次循环后, 算法复杂度为：O(NC·n2·m ) 第一步的复杂度为O (n2+ m) 第二步的复杂度为O (m) 第三步和第四步的复杂度为O (n2·m) 第五步的复杂度为O (n2) , 第六步的复杂度为O (n·m) 实验证明m 一般取值与n 为同一数量级 因此，整个算法的复杂度为O (NC·n3)

本文结合题目所给信息，利用相关数学知识，建立了有关风景区游览路线最优规划的数学模型，从问题一至问题四系统研究和解决了涉及游览路线最短、游览时间最长等最优规划问题。为建立好游览路线最优规划的模型，我们参考了TSP模型（即Travelling Salesman Problem）；通过对这一图论中最经典问题的研究，我们对TSP计算复杂性有了一定的了解，从而对该题所描述的数学物理情景有了更清晰的认识。为了能使该旅游景区能同时满足不同游客的游览需求，解决由此产生的时间或空间冲突，规避随机发生的不确定因素，我们在传统的TSP模型基础上根据实际问题找到约束条件及目标函数，利用二叉树方法进行遍历操作，以找到问题的最优解。 本文利用MATLAB R2016a编程，所有代码均能在MATLAB 2016a中正常运行。 关键词：旅游路线设计；TSP模型；最短游览路线；最长游览时间；遍历算法

算法设计和分析实践，利用近似算法解决TSP等问题

工具箱包含使用自定义遗传算法（GA）解决旅行商问题（TSP），多旅行商问题（MTSP）和其他变化的几种功能

【TSP问题】基于遗传算法求解31城市旅行商问题Matlab源码.pdf