基于模拟退火算法的旅行商问题的实现

文化基因算法求解TSP问题的研究

包括：TSP算法，图遍历算法，最短路算法，最小生成树算法，最大流及工具箱图论函数。

主要解决了疫情时的物资运输问题，使用了遗传算法、贪心算法

模拟退火算法资料大全加源码

特征选择是常用的预处理任务之一，其目的是减少智能算法和模型的输入量。这有助于简化模型，降低模型训练的计算成本，提高模型的泛化能力和防止过度训练。用于前馈人工神经网络（ANNs）训练的进化特征选择的MATLAB实现。

Parrot Minidrones无人机simulink硬件支持包，适用于matlab 2020a

本资源包含TSP常见的所有测试数据和matlab、c++代码。旅行商问题(Traveling Salesman Problem,TSP)代表一类组合优化问题,在物流配送、计算机网络、电子地图、交通疏导、电气布线等方面都有重要的工程和理论价值,引起了许多学者的关注 。TSP 简单描述为:一名商人要到n 个不同的城市去推销商品,每2个城市i和j之间的乐离为d,如何选择一条路径使得商人每个城市走一遍后回到起点,所走的路径最短。 TSP是典型的组合优化问题,并且是一个 NP难题。 TSP 描述起来很简单,早期的研容者使用精确算法求解该问题,常用的方法包括分枝定界法、线性规划法和动态规划法等，但是可能的路径总数随城市数目n是呈指数型增长的,所以当城市数目在100个以上时,一般很难结确地求出其全局最优解。随着人工智能的发展,出现了许多独立于问题的智能优化算法,如蚁群算法、遗传算法、模拟退火、禁忌搜索、神经网络、粒子群优化算法、免疫算法等,通过模拟或解释某些自然现象或过程而得以发展。模拟退火算法具有高效、鲁棒、通用、灵活的优点。将模拟退火算法引入TSP求解,可以避免在求解过程中陷入TSP的局部最优。

利用人工蜂群算法来求解TSP旅行商问题： 1、以bayg29.tsp为输入数据，以蜜源规模SN、城市数目即解向量维数 Dimension、最大循环次数MCN、单个蜜源允许迭代的最大次数limit为输入参 数； 2、直接运行main.cpp，即可在控制台中得到迭代后的最优路线，同时会生成 result.txt文件，文件中会输出原始的城市点坐标、距离矩阵和初始化后的蜜 源，还会输出每次迭代后的蜜源蜂群，同时输出每次迭代后的最优路线。

用两种方法通过python编程对TSP问题的求解 , 一是通过gurobi求解器求解 , 二是通过智能算法PSO(粒子群算法)进行求解 . 并画出最优路径 . 资源中包括TSP问题的数学模型 , 两种求解方法的python代码 , 以及求解结果图 . 是学习最优化算法的绝佳实践项目 . 另:包含生成随机城市代码 , 可随意调整问题规模 , 获取实验结果 .