TSP(旅行商) 问题代表组合优化问题, 具有很强的工程背景和实际应用价值, 但至今尚未找到非常有效的求解方法.为此,讨论了最近研究比较热门的使用各种智能优化算法(蚁群算法、遗传算法、 模拟退火算法、 禁忌搜索算法、Hopfield神经网络、 粒子群优化算法、 免疫算法等) 求解TSP 问题的研究进展,指出了各种方法的优缺点和改进策略.最后总结并提出了智能优化算法求解TSP 问题的未来研究方向和建议.

蚁群算法(ant colony algorithm,ACA)是由意大利学者M.Dorigo等人于20世纪90年代初提出的一种新的模拟进化算法，其真实地模拟了自然界蚂蚁群体的觅食行为。M.Dorigo等人将其用于解决旅行商问题(traveling salesman problem,TSP),并取得了较好的实验结果。 近年来，许多专家学者致力于蚁群算法的研究，并将其应用于交通、通信、化工、电力等领域，成功解决了许多组合优化问题，如调度问题(job-shop scheduling problem)、指派问题(quadratic assignment problem)、旅行商问题(traveling salesman problem)等。

【TSP问题】基于遗传算法求解三维旅行商问题含Matlab源码

旅行商问题，即TSP问题（Travelling Salesman Problem）是数学领域中著名问题之一。本文档内含有多个TSP的实现算法及相应代码，主要有模拟退火算法和遗传算法。实现语言有c ,c++和matlab

用ACO解决TSP问题，数据为Solomon数据集的c101文件读取，可视化路径图，用图展示每次迭代的最优值、最差值和平均值，并与Gurobi求解结果比较各计算时间下的目标值。用ACO解决TSP问题，数据为Solomon数据集的c101文件读取，可视化路径图，用图展示每次迭代的最优值、最差值和平均值，并与Gurobi求解结果比较各计算时间下的目标值。用ACO解决TSP问题，数据为Solomon数据集的c101文件读取，可视化路径图，用图展示每次迭代的最优值、最差值和平均值，并与Gurobi求解结果比较各计算时间下的目标值。用ACO解决TSP问题，数据为Solomon数据集的c101文件读取，可视化路径图，用图展示每次迭代的最优值、最差值和平均值，并与Gurobi求解结果比较各计算时间下的目标值。用ACO解决TSP问题，数据为Solomon数据集的c101文件读取，可视化路径图，用图展示每次迭代的最优值、最差值和平均值，并与Gurobi求解结果比较各计算时间下的目标值。用ACO解决TSP问题，数据为Solomon数据集的c101文件读取，可视化路径图，用图展示每次迭代的最优值、最差值和平

Matlab混合粒子群算法求解TSP问题matlab代码实例（带注释）

本文介绍了如何使用遗传算法来解决旅行商问题（TSP），并通过MATLAB实现了该算法。文章详细讨论了遗传算法求解TSP问题的过程，并对实验结果进行了分析和与粒子群算法的对比。由于TSP问题的可行解数目与城市数目成指数型增长，因此该问题是一个NP难问题。本文的研究对于解决类似问题具有一定的参考价值。关键字：TSP；遗传算法；粒子群算法。

粒子群算法解决TSP问题的关键在于全局最优值的定义和本次种群最优值的定义，本算例通过对点的位置进行最优值的定义，每次迭代各个点以概率的形式朝着全局最优和本次最优靠近。程序可直接运行，有部分程序说明。

在最大最小蚂蚁的基础上，加上动态信息素分配的规则，构成动态蚁群算法。

【TSP问题】基于混沌粒子群算法求解旅行商问题matlab源码.pdf