# Introduction
启发式算法是相对于最优化算法提出的，是基于直观或者经验构造的算法，在可接受的开销（时间和空间）内给出待解决组合优化问题的一个可行解。
复现了一些TSP问题的相关算法，对TSP数据集st70.tsp进行了测试，并对此测试数据调整了参数，开箱即用。
# Algorithms
- [x] 动态规划(DP)
- [x] 遗传算法(GA)
- [x] 粒子群算法(PSO)
- [x] 模拟退火算法(SA)
- [x] 蚁群算法(ACO)
- [x] 自适应神经网络(SOM)
- [x] 禁忌搜索算法(TS)
- [ ] 指针网络(Pointer-network)[pytorch版本复现]
# Tips
1. 遗传算法核心要素：父代集合的数量，选择两个父代个体的方式，交叉操作、变异操作
2. 粒子群算法核心要素：个体当前最优与粒子群群体当前最优，生成新个体的时候与这两个最优解都会发生交叉
3. 模拟退火算法核心要素：跳出最优解的概率必须是会随着时间变化，降温速度，初始温度，最终温度，随机解的生成方式，随季解数量
4. 蚁群算法核心要素：不同城市之间的概率转移矩阵不断变化（受信息素的影响），参数繁多
5. 自适应神经网络核心要素：获胜神经元的定义方式，获胜领域的大小，竞争型神经网络，常用于聚类方法
6. 禁忌搜索算法核心要素：禁忌表长度，产生随机解的方式，本实现中为两两交换枚举（大规模节点不适用）
# Results
动态规划
遗传算法
粒子群算法
模拟退火算法
蚁群算法
自适应神经网络
禁忌搜索
# refrence
[SMO复现代码](https://github.com/DiegoVicen/som-tsp)
算法 .zip
需积分: 5 44 浏览量
2023-12-28
19:58:08
上传
评论
收藏 240KB ZIP 举报
启发式算法包括动态规划(DP) 、遗传算法(GA)、 粒子群算法(PSO)、 模拟退火算法(SA) 、蚁群算法(ACO)、 自适应神经网络(SOM) 、禁忌搜索算法(TS).zip （18个子文件） 
newname 
GA.py 10KB data st70.tsp 734B ACO.py 8KB TS.py 7KB img 
DP.png 36KB ACO.png 34KB SOM.png 33KB TS.png 32KB PSO.png 32KB GA.png 31KB SA.png 32KB PSO.py 8KB .gitignore 436B DP.py 3KB README.md 2KB SA.py 6KB Branch_and_Bound.py 5KB SOM.py 7KB资源评论
