- 基于多种群智能优化算法：人工蜂群算法、模拟退火算法、帝国竞争算法、蚁群算法、灰狼优化算法 来解决旅行商问题（TSP问题） - 可以根据要求，自己修改城市坐标 - 注释很详细 - 多份代码的合集，价格更优惠

- 基于经典蚁群算法的旅行商问题（TSP问题） - 本套代码中城市坐标随机生成，也可以根据要求自己设置城市坐标 - 有注释

TSP ( T raveling Sales man Prob lem) 旅行商问题是一类典型的 NP完全问题, 目前大多采 用遗传算法求解。差分进化算法 ( D i fferent i a l Evolution A lgorith m, DE ) 作为一种新型的进化算 法, 与遗传算法有很多相似之处。提出用改进的差分进化算法解决 TSP问题。采用基于整数序 规范的辅助算子解决变异问题, 并引入刘海交叉算子。实验结果表明该方法有效地提高了算法 的收敛速度与寻优质量, 表现出了良好的特性。

针对当前城市配送对象呈现多频次、小批量的特点，配送路线的合理安排问题日益突出，为了优化配送路线，建立了城市配送TSP问题的数学模型，并用LINGO软件进行编程，提出了一种通用的TSP的快速求解方法，通过实例验证了模型的正确性和程序求解的有效性。

0积分下载，代码运行效果图见压缩包

- 基于帝国竞争算法的TSP（旅行商）问题 - 共包含20个城市，可以根据要求自己修改城市坐标 - 注释很详细

数据结构常见问题：12单元30 旅行商问题.doc

一个简单的基于 Python 的旅行推销员问题，它利用 3OPT 移动和 2OPT 扰动阶段。该问题的目标是找到每个城市恰好访问一次然后返回家乡的最小距离。它是一个组合优化（NP 难）问题 该代码使用启发式搜索而不是精确搜索，因此不能保证计算出的行程将是最佳行程。使用启发式搜索的优点是运行时间更短，这使其适用于大型实例的问题。 算法 迭代局部搜索包括 2 个阶段。首先，在局部搜索阶段，算法改进当前解，直到达到局部最小值。其次，在扰动阶段，该算法扰动当前的现有解决方案 (s*) 以逃离搜索的困难区域（例如，局部最小值）。最后，接受标准决定是否更新 s*。 更多详情、使用方法，请下载后阅读README.md文件

这是解决旅行商问题的遗传算法的 Ruby 实现。

效果展示： https://github.com/angary/simulated-annealing-tsp/raw/main/examples/world-tsp.gif 旅行商问题是一个众所周知的 NP-Hard 问题。给定一个城市列表，找到访问所有城市一次的最短路径。 模拟退火是用于解决优化问题的众所周知的随机方法，并且是用于解决 TSP 的众所周知的非精确算法。然而，它的有效性取决于初始参数，例如通常根据经验选择的起始温度和冷却速率。 该项目的目标是： 确定最佳起始温度和冷却速率是 否可以通过输入参数化 可视化 TSP 的求解过程 更多详情、使用方法，请下载后阅读README.md文件