高级算法课程的论文，使用模拟退火算法喝遗传算法求解旅行商问题，使用C++实现，有注释，有论文，详细的说明文档。

模拟退火算法的matlab示例, 很好的入门程序。

matlab蚁群算法代码用于图像对比度增强的混合蚁群优化、遗传算法和模拟退火 可以在此 repo 中找到使用自然启发方法增强灰度图像对比度的 MATLAB 代码。 受自然启发的方法是蚁群优化、遗传算法和模拟退火，它们生成全局传递函数将输入图像转换为更高对比度的图像，同时尽量保持图像的自然外观。 描述 图像增强器方法的详细信息发表在我们的论文中：DSP（或）和 CEC（或）。 该方法的工作原理是在搜索空间中放置一些人工代理（又名人工蚂蚁）以生成一个传递函数，该函数可用于将任何图像转换为更高对比度的图像。 蚂蚁从传递函数的原点（左下角）开始，然后移动到它的右上角。 任何蚂蚁都会在其可用的移动选项中进行概率选择，如下所示： 到达最后一点后，创建传递函数并评估其适应度。 根据传递函数的好坏，信息素会沉积在蚂蚁走过的路径上。 点上的信息素增加了蚂蚁在下一次迭代中选择在附近经过它的机会。 这是蚂蚁在传递函数窗格上移动一段时间后的信息素痕迹示例。 每只人工蚂蚁在这个过程中都有一个遗传密码。 蚂蚁种群通过遗传算法进化。 这改变了蚂蚁的特征及其在搜索空间中遍历路径的偏好。 选择最佳传递函数后，模拟退火尝

车辆路径 matlab代码 Intelligent_Algorithm 用matlab解决路径规划和竞争设施选址问题 一、五个基础算法以及示例： ga 遗传算法解决分配问题 问题描述： 现有10个工人去做10件工作，每个工人完成每项工作所需时间不同。 要求每个工人只做一项工作，每项工作只由一个工人完成。 怎样指派工人完成工作可以使所用总时间最少？ tabu 禁忌搜索算法解决解决商旅问题 问题描述： 某5个城市旅行商问题， 用禁忌搜索算法实使得旅行商走过所有城市后回到原点的总路径最小。 ants 蚁群算法 问题描述： 设有19个客户随机分布于长为10km的正方形区域内。配送中心位于区域正中央，其坐标为（0，0）。 各客户的坐标及需求量如下表所示，配送中心拥有若干辆载重量为9t的车辆，对客户进行服务时都从配送中心出发， 完成对客户点的配送任务后再回到配送中心。现要求以最少的车辆数、最小的车辆总行程来完成货物的派送任务， 用蚁群算法求解该VRP问题(vehicle routing problem)。 SA 模拟退火算法 问题描述： n 个工作将要指派给n 个工人分别完成，问如何安排可使总的

超精密加工工件表面存在影响其性能的各种空间频率误差,针对工件的不同性能研究,需要采用有效分解手段对含有特定频段空间频率误差的形貌进行提取。传统的空间频率误差分解方法存在严重的模态混叠现象,为了解决这一问题,提出自适应二维变分模态分解(BVMD)算法对三维表面形貌进行分解。首先,由于采集三维形貌数据时会造成截断误差,引入镜像延拓和自卷积Hanning窗方法对数据进行预处理。然后,利用粒子群退火优化算法,对BVMD算法中的惩罚系数和分解层数进行寻优处理。其中,以各模态分量之间的频谱KL散度作为混叠指标,引入最小风险贝叶斯决策理论,综合KL散度与重构误差,构建优化算法适应度函数。最后,对超精密加工实测表面形貌进行分析,并与离散小波分解、二维经验模态分解方法相比较。结果显示,所提方法分解的KL散度值在10 2量级,远高于其他两种方法,能更好抑制模态混叠,实现超精密加工表面空间频率误差的有效分解。

简单的利用模拟退火算法求解函数f(x)=(x-2)^2+4的最小值，入门级程序，简单明了，适合单步调试，理解算法的运行机制

里面包含四个文件,CMakeLists.txt,simulated_annealing.cpp,simulated_annealing.h,target.txt, 在linux下执行如下指令就可以跑: mkdir build&&cd; build cmake .. make ./SA ../target.txt

matlab求解模拟退火求解带有时间窗的多车辆路径优化问题

应用模拟退火算法解决0-1背包问题 里面有我的举例说明 也有程序运行后的截图

该实验使用模拟退火算法求取函数的最小值，matlab自编程实现。该实验可以观察到搜索点的过程，也可以自行修改参数。