计算智能课程设计粒子群优化算法求解旅行商问题Matlab实现

下载后可任意编辑计算智能课程设计粒子群优化算法求解旅行商问题Matlab 实现12024 年 4 月 19 日下载后可任意编辑摘要：TSP 是一个典型的 NPC 问题。本文首先介绍旅行商问题和粒子群优化算法的基本概念。然后构造一种基于交换子和交换序[1]概念的粒子群优化算法，经过控制学习因子 和 、最大速度，尝试求解旅行商问题。本文以中国 31 个省会城市为例，经过MATLAB 编程实施对旅行商问题的求解,得到了一定优化程度的路径，是粒子群优化算法在 TSP 问题中运用的一次大胆尝试。关键字：TSP 问题；粒子群优化算法；MATLAB；中国 31 个城市TSP。22024 年 4 月 19 日下载后可任意编辑粒子群优化算法求解旅行商问题1. 引言1. 旅行商问题的概述旅行商问题，即 TSP 问题（Traveling Salesman Problem）又译为旅行推销员问题货郎担问题，是数学领域中著名问题之一。假设有一个旅行商人要访问 n 个城市，她必须选择所要走的路径，路径的限制是每个城市只能访问一次，而且最后要回到原来出发的城市。路径的选择目标是要求得的路径路程为所有路径之中的最小值。TSP 问题是一个组合优化问题，其描述非常简单，但最优化求解非常困难，若用穷举法搜索，对 N 个城市需要考虑 N！种情况并两两对比，找出最优，其算法复杂性呈指数增长，即所谓“指32024 年 4 月 19 日下载后可任意编辑数爆炸”。因此，寻求和讨论 TSP 问题的有效启发式算法，是问题的关键。2. 粒子群优化算法的概述粒子群优化算法(Particle Swarm optimization,PSO)又翻译为粒子群算法、微粒群算法、或微粒群优化算法。是经过模拟鸟群觅食行为而进展起来的一种基于群体协作的随机搜索算法。一般认为它是群集智能 (Swarm intelligence, SI) 的一种。它能够被纳入多主体优化系统 (Multiagent Optimization System, MAOS). 粒子群优化算法是由 Eberhart 博士和 Kennedy 博士制造。PSO 模拟鸟群的捕食行为。一群鸟在随机搜索食物，在这个区域里只有一块食物。所有的鸟都不知道食物在那里。可是她们知道当前的位置离食物还有多远。那么找到食物的最优策略是什么呢。最简单有效的就是搜寻当前离食物最近的鸟的周围区域。42024 年 4 月 19 日下载后可任意编辑PSO 从这种模型中得到启示并用于解决优化问题。PSO 中，每个优化问题的解都是搜索空间中的一只鸟。我们称之为“粒子”。所 有 的 粒 子 都 有 一 个 由 被 优 化 的...