MTSPO_GA 开放多旅行商问题 (M-TSP) 遗传算法 (GA) 通过设置找到 M-TSP 变体的（接近）最优解向上 GA 搜索最短路线（所需的最短距离） 推销员到每个城市只走一次，而不必返回他们的城市起始位置） 概括： 1. 每个推销员都前往一组独特的城市（尽管没有他们通过返回起点来结束循环） 2. 每个城市只有一名推销员到访 输入： 具有零个或多个以下字段的 USERCONFIG（结构）： - XY (float) 是一个 Nx2 的城市位置矩阵，其中 N 是城市的数量- DMAT (float) 是一个城市到城市距离或成本的 NxN 矩阵- NSALESMEN（标量整数）是访问城市的推销员数量- MINTOUR（标量整数）是任何推销员的最短游览时间- POPSIZE（标量整数）是人口的大小（应该可以被 8 整除） - NUMITER（标量整数）是算法运行所需的迭代次数- SH

TSPOFS_GA 固定开始 开放式旅行商问题 (TSP) 遗传算法 (GA) 通过设置找到 TSP 变体的（接近）最优解搜索最短路线的 GA（推销员的最短距离） 从固定起点到其他城市恰好一次而无需返回起始城市） 概括： 1. 单个推销员从第一个点开始，然后前往每个剩下的城市，但不通过返回到关闭循环他开始的城市2. 每个城市只被推销员访问一次 注：Fixed Start 取第一个 XY 点 输入： 具有零个或多个以下字段的 USERCONFIG（结构）： - XY (float) 是一个 Nx2 的城市位置矩阵，其中 N 是城市的数量- DMAT (float) 是一个 NxN 点到点距离/成本矩阵- POPSIZE（标量整数）是人口的大小（应该可以被 4 整除） - NUMITER（标量整数）是算法运行所需的迭代次数- SHOWPROG（标量逻辑）如果为真则显示 GA 进度- SHOW

TSPOF_GA 固定开放式旅行商问题 (TSP) 遗传算法 (GA) 通过设置找到 TSP 变体的（接近）最优解搜索最短路线的 GA（推销员的最短距离） 在访问另一个时从固定起点旅行到固定终点城市恰好一次） 概括： 1.单个销售员从第一个点开始，到最后一个点结束点，然后前往中间的每个剩余城市，但是没有通过返回他开始的城市来关闭循环2. 每个城市只被推销员访问一次 注：Fixed Start 取第一个 XY 点，Fixed Start End 被认为是最后一个 XY 点 输入： 具有零个或多个以下字段的 USERCONFIG（结构）： - XY (float) 是一个 Nx2 的城市位置矩阵，其中 N 是城市的数量- DMAT (float) 是一个 NxN 点到点距离/成本矩阵- POPSIZE（标量整数）是人口的大小（应该可以被 4 整除） - NUMITER（标量整数）是算法运行所

用蛮力法解决旅行商问题，这是一个普通的程序实现，用C++写的，大家可以参考一下

遗传算法解决TSP旅行商问题 python，带图像输出，可自行修改经纬度。

压缩包内含三个代码包及帮助文档，代码包分别为图模型及相关算法（旅行商算法和Dijkstra算法以及最小堆的构建）、界面类和文件处理类，

适用于做智能算法的，简单的应用问题

遗传算法解决5种多旅行商问题（mtsp）的matlab程序 分别为以下5中情况： 1.从不同起点出发回到起点（固定旅行商数量） 2.从不同起点出发回到起点（旅行商数量根据计算可变） 3.从同一起点出发回到起点 4.从同一起点出发不会到起点 5.从同一起点出发回到同一终点（与起点不同）

：竞争决策算法是在分析大自然生物世界特别是人类的各种竞争机制和决策原理的基础上，利用竞争造就优化、决策左右 结果的特性来到达优化目的的新型寻优算法。给出了用竞争决策算法求解多目标旅行商问题的算法，经过大量数据测试和验证， 获得了较好的结果

一般TSP问题是单目标的，只追求一个性能指标：所走路径最短。然而对于具体的TSP问题，实际中常常需要考虑：路程最短、时间最少、费用最省、风险最小等等多方面的因素。设计了贪婪的复合变异算子（GCM），引入隔代爬山法算子来提高多目标TSP问题的搜索能力。实验结果表明该算法是有效的。