用蚁群算法解决旅行商问题的MATLAB代码

粒子群算法的优缺点 优点 PSO算法没有交叉和变异运算，搜索速度快 PSO算法具有记忆性 需调整的参数较少 缺点 不能有效解决离散及组合优化问题 容易陷入局部最优

Portfolio_optimization 实施随机矩阵理论和Markowitz理论进行投资组合优化

量化资产管理公司长期以来一直在为是构建投资组合优化模型还是购买现成的软件包的决定而苦苦挣扎。 为了满足不断变化的投资和风险管理需求，投资组合管理团队正在努力构建透明、易于采用且易于扩展的强大的投资组合管理解决方案。 在 MathWorks，我们与许多投资组合管理团队合作，他们采用 MATLAB 和相关工具箱来构建投资组合管理系统。 这些群体喜欢在透明、健壮和可定制的环境中构建和扩展模型的灵活性。 他们还喜欢在投资决策过程中使用这些模型之前，以最少的努力尝试新的研究想法的能力。 在本文中，我们将讨论 MATLAB 和金融工具箱中提供的各种投资组合优化函数。 特别是，我们将关注构建投资组合的新的面向对象方法，并讨论这种架构如何轻松构建和扩展应用程序。 我们将讨论 MATLAB 中 Portfolio 对象的面向对象实现，然后通过案例研究演示 Black-Litterman 优化方法的示例实现。

多目标群体智能算法NSGA2，包含所有测试函数和真实帕累托前沿，包含详细注释

最小-最大-最小 该存储库包含用于解决本文研究的最小-最大-最小鲁棒优化问题的算法 AyşeNur Arslan，Michael Poss和Marco Silva：最小-最大-最小鲁棒组合优化，几乎没有追索权解决方案。 可在 有四种算法可用： HKW15的单石版重新，请参见函数exact_dualization() 来自的本地搜索启发式，请参见函数heuristic_dualization() 本文算法1中描述的场景生成算法，请参见函数scenario_generation() 本文算法3中描述的启发式变体，请参见函数heuristic_scenario_generation() 指导 该代码当前包含两个应用程序：最短路径问题（SP）和带冲突的背包问题（KP）。 可以通过创建相应的文件来添加其他应用程序。 要测试两个应用程序之一，请解压缩相应的数据文件，并使用julia执行相应的运

进化算法染色体的表示(编码) 候选解构成解空间，也叫表现型空间；将候选解编码成染色体，形成编码空间，也叫基因型空间。 进化算法轮流在这两个空间上进行操作，其中遗传算子工作在编码空间，评价和选择工作在解空间。 Coding space (genotype space) Solution space (phenotype space) Encoding Decoding Genetic Operations Evaluation and Selection

ABC_TSP，人工蜂群算法优化旅行商问题matlab代码，完整无误。 ABC_TSP，人工蜂群算法优化旅行商问题matlab代码，完整无误。

蚁群算法求解旅行商问题 蚁群算法最初是通过对蚂蚁群落的观察，受蚁群行为特征启发而得出的。蚂蚁是一种群居昆虫，在觅食、清理巢穴等活动中，彼此依赖、相互协作共同完成特定的任务。就个体来讲，单个蚂蚁的智力和体力是极其有限的，服务于整个群落的生存与发展；就群体来讲，蚁群在行为上的分工协作、在完成任务过程中所体现的自组织特征等反应出蚁群具有较高的智能和自我管理能力，具有很高层次组织性，这使得蚁群能够完成一些复杂的任务。 TSP问题是典型的NP完全问题，许多算法验证及算法效率测试都以TSP问题为基础。在蚁群算法研究中，第一个蚁群算法，蚂蚁系统，就是在TSP问题的基础上提出来的。而后，依据TSP问题，又提出了蚁群算法系列中具有代表性的蚁群系统，最大一最小蚂蚁系统。

【蚁群算法及其应用】 蚂蚁觅食行为与觅食策略 蚂蚁系统——蚁群系统的原型 改进的蚁群优化算法 蚁群优化算法的仿真研究 蚁群算法的应用——对QoS组播路由问题求解 20世纪50年代中期创立了仿生学，人们从生物进化的机理中受到启发。提出了许多用以解决复杂优化问题的新方法，如进化规划、进化策略、遗传算法等，这些算法成功地解决了一些实际问题。 20世纪90年代意大利学者M．Dorigo，V．Maniezzo，A．Colorni等从生物进化的机制中受到启发，通过模拟自然界蚂蚁搜索路径的行为，提出来一种新型的模拟进化算法—— 蚁群算法，是群智能理论研究领域的一种主要算法。用该方法求解TSP问题、分配问题、job-shop调度问题，取得了较好的试验结果．虽然研究时间不长，但是现在的研究显示出，蚁群算法在求解复杂优化问题（特别是离散优化问题）方面有一定优势，表明它是一种有发展前景的算法． 这种方法能够被用于解决大多数优化问题或者能够转化为优化求解的问题。现在其应用领域已扩展到多目标优化、数据分类、数据聚类、模式识别、电信QoS管理、生物系统建模、流程规划、信号处理、机器人控制、决策支持以及仿真和系统辩识等方面，群智能理论和方法为解决这类应用问题提供了新的途径。 群智能理论研究领域有两种主要的算法：蚁群算法(Ant Colony Optimization, ACO)和微粒群算法（Particle Swarm Optimization, PSO）。前者是对蚂蚁群落食物采集过程的模拟，已成功应用于许多离散优化问题。微粒群算法也是起源于对简单社会系统的模拟，最初是模拟鸟群觅食的过程，但后来发现它是一种很好的优化工具。