基于“遗传”和“免疫”算法求解TSP问题; 传统的算法根本无法解决大规模求解问题，穷取法的计算级数为 N的阶乘， N为城市个数。 基于“遗传”和“免疫”算法，能够快速求解，文中对算法研究了很多“改良”算子，计算的解部分已超过世界最佳水平，成为目前最优解。 压缩包中含有代码和设计详细文档，仅大家学习和探讨；本人QQ：113875896

利用Hopfield神经网络解决TSP问题-论文-源码-PPT 源码是C++,里面有很详细的注解，另附论文和PPT讲稿，花费了很长时间把代码注解完，对于课程作业及课设很有帮助。

SA(模拟退火)算法来源于固体退火原理，是一种基于概率的算法，将固体加温至充分高，再让其徐徐冷却，加温时，固体内部粒子随温升变为无序状，内能增大，而徐徐冷却时粒子渐趋有序，在每个温度都达到平衡态，最后在常温时达到基态，内能减为最小。 TSP问题即旅行商问题，假设有一个旅行商人要拜访n个城市，他必须选择所要走的路径，路径的限制是每个城市只能拜访一次，而且最后要回到原来出发的城市。路径的选择目标是要求得的路径路程为所有路径之中的最小值。 程序用VC++6.0编写运行成功，更改各个城市坐标，即可输出最优路径。

蚁群优化算法求解旅行商问题。内有代码有报告 1、理解蚁群优化算法的思想。 2、利用 Matlab 实现蚁群优化算法求解 TSP 问题。 3、分析算法中各种参数变化对计算结果的影响。 二、实验要求 1、打印程序清单。 2、绘制算法求解过程图。 3、记录多次运行算法的最优解。 4、比较算法在不同参数设置下的性能区别。 5、简要回答思考题。

【TSP问题】基于遗传算法求解旅行商问题matlab源码.zip

该代码会产生一个TSP问题的实例，并且运用分支界限法解决

针对蚁群算法在求解大规模优化问题时存在的3个缺点：消耗时间长、蚂蚁在下次搜索时目标导向不强导致搜索随机性大、寻优路径上的信息素过度增强导致得到假的最优解。本文提出了基于边缘初始化和自适应全局信息素的改进蚁群算法。在相同参数下，其搜索时间大大缩短，并且得到了更好的最优解。将其应用到旅行商(TSP)问题中，和基本蚁群算法、遗传算法相比较，其具有以下优点：较好的搜索最优解的能力；对新解不会过早的终止；探索新解的能力进一步增强。因此，改进的蚁群算法在求解TSP等组合优化问题时非常有效。

旅行商问题，即TSP问题（Travelling Salesman Problem）是指对给定一组n个城市和它们两两之间的直达距离，寻找一条闭合的旅程，使得每个城市刚好经过一次而且总的旅行距离最短。 此问题是典型NPC组合优化问题（NPC=Non-deterministic Polynomial complete，即是多项式复杂程度的非确定性完全问题。）

利用模拟退火算法解决TSP问题，所用语言为vc++，程序比较精炼，便于理解学习，特拿出分享。

利用分支限 界解决tsp问题源代码， 适合新手，注释所占比例较大。