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。

利用模拟退火算法对单目标测试集CEC2013进行测试，内涵CEC2013测试集，读者可以直接下载使用，还可以在此基础上进行改进。

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

matlab模拟退火算法求全局最优。

提出采用模拟退火算法(simulated annealing，SA)来数值求解线热源反问题．探讨了如何设计算法使之适合反问题求解，并给出了算法求解的伪代码；通过线源正问题的模拟数据，使用设计的SA算法进行反问题求解，以此来验证算法求解的准确性和可靠性，并对一组实测数据进行了计算．结果表明，该算法不但可以实现两个参数同时、快速反演，而且具有求解精度高，对初始条件依赖少，编制容易等优点．

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