退火算法 通俗解释matlab之模拟退火求TSP问题 MATLAB程序用于求解非线性规划

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。

基于matlab遗传算法实现，说明遗传算法在TSP问题的具体实现方式。

旅行商问题求解，程序无误，可以完美的完成运行

该.m文件使用分支定界法来求解TSP问题

对于蚁群算法做出的改进，按信息素大小进行排序

对于每次迭代搜索到最短城市的那条路线额外增加新的信息素

由于TSP(Traveling Salesman Problem)与众多网络优化问题在形式上有 一定的相似性，所以研究遗传算法在TSP问题中的应用对后续问题的展开 有一定的指导意义。

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

使用遗传算法对tsp问题进行求解，同时对遗传算法进行了改进，增添了灾变机制，以及参数自适应机制