MATLAB源程序11 连续Hopfield神经网络的优化-旅行商问题优化计算.zip

TSP问题的求解方法 利用--遗传算法GA--求解组合优化问题，TSP旅行商问题 城市经纬度数据：mytsp/xx.csv文件 DW.py：绘图类 TSP_GA.py：主程序

采用PSO粒子群优化算法求解TSP旅行商问题 1、输入数据为bayg29.tsp 2、城市数量citycount为29，种群规模Pop_Size为30，迭代次数为500，学习因子 c1、c2取2，惯性权重因子w取0.8，粒子速度最大值绝对值取3.0； 3、运行main.cpp，即可得到最优路径及对应的最短距离，同时粒子群初始化的结果和每次迭代后种群各粒子的路径和距离都会输出到result.txt中。

旅行商问题求解，程序无误，可以完美的完成运行

旅行商问题（英语：Travelling salesman problem, TSP）是组合优化中的一个NP困难问题，在运筹学和理论电脑科学中非常重要。问题内容为“给定一系列城市和每对城市之间的距离，求解访问每一座城市一次并回到起始城市的最短回路。” 该资源通过python 建立旅行商问题的解法，效果良好，具有高拓展高利用的特性。

中国科学院大学智能控制作业，使用Matlab，包含模拟退火遗传算法，普通遗传算法，自适应遗传算法，附有注释和代码说明txt

禁忌搜索算法的python实现，以旅行商问题作为算法实例。摘要50个字我实在打不完，剩下的就是凑字数的，可以忽略。

matlab tsp问题代码旅行商问题（TSP） 旅行商问题是一个经典问题，用于说明实施数学编程算法来解决运输路线问题的好处。 具体而言，这种情况称为“分配问题” 。 分配问题是运输问题的一种特殊情况，运输问题认为出发地的数量等于目的地的数量（ m = n ），并且每个出发地的供应量为1个单位，每个目的地的供应量为1个单位。 1个单位的需求。 解决分配问题时，主要目标是针对许多活动优化资源数量，以使成本最小化。 在这种情况下，将比较两种方法： 分配问题放松 Dantzig，Fulkerson和Johnson消除约束（DFJ） 分配问题放松允许创建子游览，而DFJ算法约束子游览的创建，从而建立了问题的完整解决方案。 去做 优化，清理和重构Matlab代码 添加文件 使用Python进行翻译+重构+ CLI开发以进行用户集成

用遗传算法解决旅行商问题，由于遗传算法的局部搜索能力较强，但是很容易陷入局部极值。所以引入自然界中灾变概念。即跳出局部极值就必须杀死当前所有的优秀个体，从而让远离当前极值的点有充分的进化余地。

遗传算法TSP_CUDA 一种遗传算法，可使用CUDA体系结构（GPU）为TSP（旅行商问题）找到最佳解决方案。 这是我在USF进行的并行和分布式处理课程的最后一个项目，与Berkeley在2015年Spring发布的“并行计算机的应用程序”一起完成的。该项目的目的是使自己熟悉遗传算法的设计和实现，重点是学习如何在CUDA架构以及C ++的OpenMP库上编写并行代码。 概述： 该项目将在德克萨斯大学奥斯汀分校的Stampede.tacc超级计算机上运行。 该代码在踩踏群集的单个节点上运行，此刻使用Nvidia的CUDA调用单个GPU。 在CUDA中，执行内核（GPU功能），并由块和线程组成。 每个块最多可以有1024个线程，每个内核可以有〜65000个块。 我设计了一种算法，以便在每个GPU上创建一个填充，该填充由启动内核的NTHREADS * NBLOCKS组成。 例如，在一个流行