matlab贪婪算法代码GRASP-for-Traveling-Salesman
用于解决旅行商问题的贪婪随机自适应搜索程序
(GRASP)
%
作者：%
William
Arloff
%
下面是针对旅行商问题的
GRASP
算法的代码
%
该算法通过调用贪婪随机初始化
%
来获得城市的贪婪随机化。
接下来，代码实现
%
Local
搜索功能，该功能采用初始化的城市并搜索
%
更好的解决方案。
下面的代码将输出
%
最佳发现城市的最终集合、城市的贪婪初始化、与贪婪初始化的最佳发现距离以及本地搜索的最佳发现距离。
%
三个主要功能如下
%
---------------------
贪婪随机初始化
--------------------
%
%[
已使用，总计]
=
GreedyRandomInit（城市，随机数）
%
Cities
--->
Matrix
of
cities
inputted
into
the
function
%
For
greedy
random
initialization
%
randsize
---->
The
number
of
random
cities
2021-11-04 09:40:46
38KB
1
GA_tsp
TSP问题是指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。使用遗传算法解决att48问题，即48个城市的旅行商问题，该问题目前的最优解是10628，受个别参数影响，所设计的算法所得到的最优结果是10648，相对误差为0.18818216%。
att48.txt ----- 48个城市的坐标
CalDist.m ----- 计算个体的总路径
cro.m --------- 交叉函数
drawTSP.m ----- 根据坐标作图
GA.m ---------- 主函数
mut.m --------- 变异函数
objf.m -------- 适应度函数
pro.m --------- 判断是否需要变异、交叉
sel.m --------- 选择函数
2021-11-02 19:46:46
5KB
1
具有Deep RL的TSP解算器
这是具有增强学习功能的神经组合优化的PyTorch实施，Bello等人。 2016 [ ]
指针网络是Vinyals等人提出的模型架构。 2015 [ ]
该模型使用注意力机制来输出输入索引的排列。
在这项工作中，我们将解决旅行商问题（TSP），这是被称为NP-hard的组合优化问题之一。 TSP寻求推销员最短的行程，使他们只能一次访问每个城市。
在没有监督解决方案的情况下进行培训
在训练阶段，此TSP求解器将优化2种不同类型的指针网络，Actor和Critic模型。
给定一个以城市为节点的城市图，评论家模型可以预测预期的旅行时长，通常称为状态值。 当估计行程长度赶上由演员模型预测的行程（城市排列）计算出的实际长度时，评论者模型的参数将得到优化。 Actor模型使用称为好处的值更新其策略参数，该值从实际巡回行程中减去状态值。
影评人
Actor
2021-11-02 16:47:59
1.21MB
1