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

效果展示： https://github.com/angary/simulated-annealing-tsp/raw/main/examples/world-tsp.gif 旅行商问题是一个众所周知的 NP-Hard 问题。给定一个城市列表，找到访问所有城市一次的最短路径。 模拟退火是用于解决优化问题的众所周知的随机方法，并且是用于解决 TSP 的众所周知的非精确算法。然而，它的有效性取决于初始参数，例如通常根据经验选择的起始温度和冷却速率。 该项目的目标是： 确定最佳起始温度和冷却速率是 否可以通过输入参数化 可视化 TSP 的求解过程 更多详情、使用方法，请下载后阅读README.md文件

模拟退火 这里有两件事。第一个是纯 Ruby 中模拟退火随机搜索过程的一个很好的通用实现。如果您将事物格式化为模拟退火问题，那么文件模拟退火.rb 应该在许多问题域中都很有用。第二个是针对特定问题域的模拟退火的具体实现：安排锦标赛。在这种情况下，我们正在安排一场辩论赛。该算法允许您指定不同的“权重”来赋予时间表的不同不良属性，然后搜索最佳时间表。事实证明，这是安排比赛的一种非常灵活的方式 更多详情、使用方法，请下载后阅读README.md文件

模拟退火算法解决置换流水车间调度问题(python实现) Use Simulated Annealing Algorithm for the basic Job Shop Scheduling Problem With Python 作业车间调度问题（JSP）是计算机科学和运筹学中的一个热门优化问题。它专注于在特定时间将作业分配给有限的资源。模拟退火算法（SSA）是一种基于蒙特卡罗迭代求解策略的通用随机全局搜索优化算法。其出发点是基于物理固体材料退火处理与一般组合优化问题之间的相似性。在一定的初始温度下，结合概率和降温，在解空间中找到目标函数的全局最优解。在本文中，我在JSP上使用了该算法，并通过十个实例得到了调度顺序。

分支限界法求解TSP问题程序设计说明书

利用模拟退火算法和遗传算法进行矩形算法排样优化

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。

几种智能算法的原理 及应用介绍 学 院：计算机科学技术学院

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