旅行商问题（Travelling Salesman Problem, TSP）是一个经典的组合优化问题。在这个问题中，一个旅行商需要访问所有指定的城市，并最后返回到原始城市，但是每次只能访问一个城市，并且不能重复。目标是找到一条最短的可能路线。 这个问题是一个NP-hard问题，意味着没有已知的多项式时间算法可以解决所有实例。但是，可以使用近似算法或启发式方法来找到接近最优的解。 以下是一个简单的Python实现，使用贪婪算法来解决TSP问题： 注意：贪婪算法并不保证找到最优解，但它通常可以找到一个相对较好的解，并且运行时间相对较短。对于大型问题，可能需要使用更复杂的算法，如遗传算法、模拟退火或线性规划方法。

遗传算法及基于该算法的典型问题的求解实践，包括博文涉及的所有仿真及其结果，另外为害怕乱码，还将代码复制到了txt中。

采用灰狼优化算法求解多旅行商问题

通过matlab编程求解旅行商问题（TSP） 通过matlab编程求解旅行商问题（TSP） 通过matlab编程求解旅行商问题（TSP） 通过matlab编程求解旅行商问题（TSP） 通过matlab编程求解旅行商问题（TSP）

封装了并行机调度PMS、流水车间调度FSP、作业车间调度JSP中的启发式算法和智能群算法[遗传算法GA、粒子群算法PSO、蚁群算法ACO、禁忌搜索TS、模拟退火SA等]；旅行商问题TSP优化求解算法[最近邻算法、领域搜索算法、禁忌搜索算法、Lin2-opt和3-opt算法]；车辆路径问题VRP优化求解算法[节约里程法、改进式节约里程法、扫描算法Sweep]

1.NET下可以直接运行 2.关键代码有非常详尽的解释 3.算法代码非常简洁

构建容量受限的旅行商问题模型，加入容量约束，采用蚁群算法优化，matlab实现！

用A*算法实现tsp旅行商问题，城市间的距离用txt文件表示，输出也用txt文件表示。压缩文件包括两个测试文件，一个结果文件，一个源代码

针对旅行商问题(TSP)，提出了一种新的混合量子优化算法――量子蚁群算法。量子蚁群算法采用量子比特的概率幅表示蚂蚁的当前位置，采用量子旋转门更新蚂蚁的位置，选取国际通用的TSP实例库中多个实例进行测试。仿真实验表明，该算法具有很好的精确度和鲁棒性，可使搜索空间加倍，比传统的蚁群算法具有更好的种群多样性。

针对蚁群算法搜索时间长、易于陷入局部最优解的缺点，提出一种新的改进算法——分工合作的加权蚁群算法。此算法采取分工合作的方式，在信息素初始化、状态转移概率中分别加入权值，并运用遗传算法中排序的概念对信息素更新机制进行排序加权，此外对信息素上限加以限制。最后以TSP为例，验证了此改进算法不但在收敛速度上有了大幅度提高，而且有效避免了易于陷入局部最优解的缺点，从而证明了提出的新算法是合理有效的。