选址—路径问题(LRP)同时解决设施选址和车辆路径问题, 使物流系统总成本达到最小, 在集成化物流配送网络规划中具有重要意义。针对带仓库容量约束和路径容量约束的选址—路径(CLRP)问题, 提出了一种结合模拟退火算法的混合遗传算法进行整体求解。改进混合遗传算法分别对初始种群生成方式、遗传操作和重组策略进行改进, 并实现了模拟退火的良好局部搜索能力与遗传算法的全局搜索能力的有效结合。运用一组Barreto Benchmark算例进行数值实验测试其性能, 并将求解结果与国外文献中的启发式算法进行比较, 验证了改进混合算法的有效性和可行性。

matlab的TSP问题解决，智能算法包括，粒子群，遗传算法，蚁群还有模拟退火

附有visual studio 2017c++代码文件，包括一些测试函数也在代码里面，还有一些origin数据结果处理文件。

遗传,模拟退火,蚁群三个算法求解TSP的对比.pdf

自适应模拟退火算法描述及探讨

数学建模-有约束模拟退火法优化3D立体定向放射治疗计划.zip

数学建模-作业排序模拟退火算法影响因素分析和一种多次淬火模拟退火法.zip

鉴于标准粒子群优化算法易陷入局部最优、收敛精度低,我们提出了一种改进的基于模拟退火的粒子群算法(NPSO)。将模拟退火算法的思想引入粒子群算法中,并对更新公式进行简化;提出了一种自适应随机惯性权重,实现了自适应平衡局部搜索和全局搜索的能力;提出了“优胜劣汰”的更新机制,加快了算法的收敛速度。与其它几种粒子群算法在4个基准测试函数上的实验比较,实验研究表明,NPSO算法的性能很好。

介绍模拟退火前，先介绍爬山算法。爬山算法是一种简单的贪心搜索算法，该算法每次从当前解的临近解空间中选择一个最优解作为当前解，直到达到一个局部最优解。 爬山算法实现很简单，其主要缺点是会陷入局部最优解，而不一定能搜索到全局最优解。如图1所示：假设C点为当前解，爬山算法搜索到A点这个局部最优解就会停止搜索，因为在A点无论向那个方向小幅度移动都不能得到更优的解。

模拟退火算法是一种强大的随机搜索算法, 能应用于许多前提信息很少的问题, 能渐进地收敛于最优值。对 SA算法进行了介绍, 论述了SA算法的原理并对算法进行了改进, 展示了计算实验的结果