Tsp标准测试集+遗传算法和迭代邻域搜索的java代码，代码内部有详细的注释和应用，求解效果不错！！！值得学习

TSP问题的遗传算法（GA）、动态规划（DP）和蚁群算法（PSO）的python实现（含报告） 包含遗传算法的word报告，代码都可以跑通，安装必须依赖即可。 本实验课程是计算机、智能、物联网等专业学生的一门专业课程，通过实验，帮助学生更好地掌握人工智能相关概念、技术、原理、应用等；通过实验提高学生编写实验报告、总结实验结果的能力； 使用蚁群优化算法或者粒群优化算法求解TSP问题。

挺好的学习资料，注释也很明白。 代码截选： ”%遗传算法求解TSP问题(为选择操作从新设计后程序) %输入： %D 距离矩阵 %NIND 为种群个数 %X 参数是中国34个城市的坐标(初始给定) %MAXGEN 为停止代数，遗传到第MAXGEN代时程序停止,MAXGEN的具体取值视问题的规模和耗费的时间而定 %m 为适值淘汰加速指数,最好取为1,2,3,4,不宜太大 %Pc 交叉概率 %Pm 变异概率 %输出： %R 为最短路径 %Rlength 为路径长度 clear clc close all %% 加载数据 load Cityposition1.mat; X=X; D=Distanse(X); %生成距离矩阵 N=size(D,1); %城市个数 %% 遗传参数 NIND=100; %种群大小 MAXGEN=200; %最大遗传代数 Pc=0.9; %交叉概率 Pm=0.05; %变异概率 GGAP=0.9; %代沟 %% 初始化种群 Chrom=InitPop(NIND,N); %% 画出随机解的路径图 DrawPath(Chrom(1,:),X) pause(0.0001) %% 输出随机解的路径和总距离”

用于解决旅行商问题的TSP算法，输入为城市信息，输出为旅行员路径

用c++实现的基于免疫算法/遗传算法的连通图最短哈密顿回路（TSP问题）求解，并支持记录迭代过程与画图。注释应有尽有，各项参数可调，结构清晰且难度较低，适合通过代码对经典免疫算法进行学习。

利用基本的遗传算法解决Traveling salesman problem 问题，内含编码、遗传、变异、选择程序，最终显示结果。程序使用matlab编写。

Python语言实现的遗传算法解决TSP问题。

利用遗传算法解决TSP问题，随机产生数据进行测试，附源码

为提升求解TSP问题的计算效率和求解精度，针对初始种群构造问题进行研究，提出了域内三角概率选择自适应邻域算法。为使邻域半径能够适应城市的分布情况，设计了一种基于Sigmoid函数的邻域半径自适应函数；为了避免在邻域内盲目随机地选择下一站城市，提出了在邻域内利用三角概率选择模型选择下一个城市。以自动化立体仓库安排出入库作业顺序优化作为TSP研究问题，通过Matlab仿真计算，将该算法和邻域法生成的初始种群进行对比分析，并分别用该算法和随机生成的初始种群作为遗传算法的初始种群进行计算。证明了该算法可快速生成高质量的初始种群，大大提升了求解TSP问题的计算效率和求解精度。

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