旅游线路优化问题,旅游大陆是一个旅行商问题，我们通过c++,matlab等多种软件对于初始数据进行分析运算，并将其合理运用以建立模型，最后采用遗传算法对数据进行运算。

使用python解决TSP(旅行商问题）-附件资源

旅行商问题的启发式算法 遗传算法 生成染色体的随机种群 计算每个染色体的适应度 重复步骤 使用选择方法选择父母对 以概率 Pc 通过对父母的交叉生成一个孩子 通过以概率 Pm 交换基因来突变孩子 使用精英主义用新的人口替换当前的人口 代表 - TSP 每条染色体都是问题的一个解，由一组基因组成 每个基因代表一个城市 每条染色体只包含一个基因一次 交叉 从旧人口中选择给父母锦标赛选择（替代轮盘，基于奖励） 随机选择要从第一个父级继承的部分并完成第二个父级的缺失部分 突变 根据突变率，有可能在遗传的每个染色体中交换两个基因 替代使用 k-opt 交换 蚁群优化 在起点生成蚂蚁种群 移动每只蚂蚁直到全部到达目标点并返回起点 蚂蚁配置信息素在那里移动到点之间 信息素在每个点蒸发。 在较长的路径上，信息素蒸发得更快 产生新的种群并重复 代表 - TSP 以随机城市为起点生成蚂蚁种群 移动图表上

投资组合优化 • 使用MATLAB 进行投资组合优化和高效前沿。 • 该项目是南安普顿大学COMP6212 计算金融课程，第二学期，理学硕士AI 的一部分作业。

投资组合优化 使用MATLAB比较投资组合优化策略

旅行家要旅行5个城市，要求各个城市经历且仅经历一次然后回到出发城市，并要求所走的路程最短，其代价矩阵如下（INF表示不可达） 试求出最小代价，并输出对应的路径。

针对多目标旅行商问题, 提出了一种基于模拟植物生长的优化算法。该算法将Deb等人提出的非支配排序及构造偏序集等方法用于模拟植物生长的过程中, 克服了模拟植物生长算法搜索空间过大及收敛性不够理想的缺点。基于该算法的核心思想, 用MATLAB编程实现, 对参考文献的算例进行仿真测试。与其他算法比较, 获得了满意的结果。

旅行商问题（TSP）的测试样例。城市的表示方法包括邻接矩阵表示和坐标点表示这两种。

将Copula 理论引入分布估计算法的研究中, 并在估计概率模型时分两个步骤进行: 1) 估计各变量的边缘分 布函数; 2) 构造经验Copula 函数或正态Copula 函数. 根据Copula 函数和各边缘分布进行采样, 在简化估计模型运算 复杂度的同时, 充分反映了变量之间的关系. 仿真实验验证了该算法的可行性和有效性..

茶匙 旅行商问题求解器 - 遗传算法 city.js 文件包含所有城市的 x 和 y 坐标（如果需要可以更改）。 下一代按钮将运行算法 150 次并打印所有数据。 为获得最佳观看效果，请使用 1920x1080 显示器。