改进杜娟鸟搜索算法的Web服务组合优化.pdf

计算群体智能基础,介绍智能优化算法基础以及遗传算法、粒子群算法等常见优化算法。

粒子群算法解决旅行商问题，c++实现，完整源代码，可直接运行

强化学习，旅行商问题

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

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

【TSP问题】基于灰狼算法求解旅行商问题matlab源码.zip

AI学习投资-周六AI Euskadi。 机器学习项目的应用使新手的投资更容易理解。 1.投资比例的网站报废。 我们已经废弃了与来自纽约证券交易所市场的公司相关的beautifoulSoup投资数据。 2.创建数据集。 我们在过去10年中随机模拟了500.000个投资，投资期限在1天到2年之间。 通过应用分类或归一化技术等方法，已清理数据集并准备进行机器学习建模。 如果要使用结果数据集，则将其保存到“ datasets / transactions_variables.csv”中。 3.数据建模和优化。 在用pycaret筛选出哪种分类模型更适合我们的问题之后，我们选择了“决策树”，因为它更易于解释。 请记住，我们的目标不是进行更好的投资，而是使投资可用于更广泛的人群。 借助Graphviz，优化了决策树并可视化了结果。 4.数据部署并在REST API服务器上进行测试。 该项目的

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