说明：蚁群算法解决TSP问题，输出路径和收敛曲线图

说明：蚁群算法仿真，TSP问题求解，matlab仿真

说明：a star search alorithm

说明：基于基础蚁群算法的TSP寻优，包括信息素更新方法，禁忌表使用更新

说明：遗传算法解决TSP问题，包括选择操作，交叉操作，变异操作

说明：运用2-opt算法解决TSP（旅行商问题），满足自定义五个点及自设迭代次数，包括可视化结果。

说明：求解15个城市TSP的GA问题，两城市间距离自拟或随机生成

说明：讲解了一种TSP问题解决的思路 使用蛙跳算法 有很大的启发性

说明：利用改进的粒子群算法解决旅行商问题，其中使用了遗传算法中交叉变异等操作

说明：AntColony-TSP-Solver-master

说明：travelling salesman problem-subroute-finder-master

说明：Travelling-salesman-problem-using-Ant-colony-optimization-master

说明：ant-colony-travelling salesman problem

说明：aco-travelling salesman problem-master

说明：Travelling-Salesman--a-Genetic-Algorithm

说明：用matlab编程的混合蚁群粒子群算法求解tsp问题

说明：粒子群算法（PSO）优化经典的旅行商问题（TSP）

说明：利用遗传算法求解旅行商问题，主要包含地点编码方式，算法流程，求解10个城市的TSP问题的近似最优解和最优路径

说明：TSP (旅行商问题—Traveling Salesman Problem)，是典型的NP完全问题，即其最坏情况下的时间复杂性随着问题规模的增大按指数方式增长，到目前为止不能找到一个多项式时间的有效算法。遗传算法是一种进化算法，其基本原理是仿效生物界中的“物竞天择、适者生存”的演化法则。遗传算法的做法是把问题参数编码为染色体，再利用迭代的方式进行选择、交叉以及变异等运算来交换种群中染色体的信息，最终生成符合优化目标的染色体。实践证明，遗传算法对于解决TSP问题等组合优化问题具有较好的寻优性能。

说明：遗传算法求解30城市TSP问题33333333333333333

说明：假设在一个供求关系系统中，车辆从货源取货，配送到对应的若干配送点。车辆存在最大载货量，且配送可能有时间限制。需要合理安排取货时间，组织适当的行车路线，使用户需求得到满足，同时使某个代价函数最小，比如总工作时间最少、路径最短等。 可以看出TSP问题是VRP问题的一种简单特殊形式。因此，VRP也是一种NP hard 问题。 目前解决此种问题的办法有多种，主要以启发式算法为主。包括退火算法、遗传算法、蚁群算法、禁忌算法等，本文介绍两种比较简单算法：C-W节约算法和遗传算法。

说明：遗传算法，python求解30城市TSP

说明：禁忌算法，Python求解30城市TSP

说明：贪心算法，python求解30城市TSP

说明：对于TSP问题，利用模拟退火，求解30城市并作图

说明：使用遗传算法求解中国34省会城市TSP问题。

说明：travelling salesman problem 1

说明：Traveling Salesman Problem with Imperialist Competitive Algorithm (ICA)

说明：hslogic算法仿真,基于蚁群优化的TSP优化仿真与分析。