智能优化算法应用：基于麻雀搜索算法的TSP问题求解 - 附代码
文章目录
- 智能优化算法应用：基于麻雀搜索算法的TSP问题求解 - 附代码
-
- 1.TSP问题
- 3.麻雀搜索算法
- 4.实验参数设定
- 5.算法结果
- 6.Matlab代码
摘要：TSP是数学领域内一道著名的难题之一，如何求解一直是学术界研究的热点问题。本文利用麻雀搜索算法对TSP进行求解。
1.TSP问题 现有对TSP问题的标准描述为：已知有城市数量为，一位旅行商人从其中的某一个城市出发，途中需要经过所有的城市，但经过的次数有且仅有一次，最后再回到出发的城市，怎样规划路线才能使旅行商所走的路线最短。
设城市集合为 V = v 1 , v 2 , . . . , v A V = {v_1,v_2,...,v_A} V=v1?,v2?,...,vA?，对城市的访问顺序为 T = t 1 , t 2 , . . . , t A T={t_1,t_2,...,t_A} T=t1?,t2?,...,tA?,其中 t i = V ( i = 1 , . . . , A ) t_i = V(i = 1,...,A) ti?=V(i=1,...,A)而且 t i + 1 = t 1 t_{i+1} = t_1 ti+1?=t1?,则问题的目标函数如下：
f = m i n ∑ i = 1 A d t i t i + 1 (1) f = min\sum_{i=1}^{A}d_{t_it_{i+1}} \tag{1} f=mini=1∑A?dti?ti+1??(1)
意为目标函数的最优值为所有途径城市之间的路径和最短。
3.麻雀搜索算法 麻雀搜索算法的具体原理参考博客：https://blog.csdn.net/u011835903/article/details/108830958。
适应度函数即为TSP的目标函数。
4.实验参数设定 随机设定10个城市，作为TSP求解问题。如下图所示：
文章图片
麻雀搜索算法参数如下：
%% 麻雀参数设定
pop=50;
%种群数量
Max_iteration=2000;
%设定最大迭代次数
lb = 0;
%上边界
ub = N*10;
%下边界
dim = N;
%维度
fobj = @(X) fun(X,PathCost);
%适应度函数
5.算法结果
文章图片
6.Matlab代码 【智能优化算法应用|智能优化算法应用（基于麻雀搜索算法的TSP问题求解 - 附代码）】个人资料介绍
推荐阅读
- 智能优化算法应用|智能优化算法应用（基于麻雀搜索算法的工程优化案例）
- 智能优化算法应用|智能优化算法应用（基于麻雀搜索算法与非完全beta函数的自适应图像增强算法 - 附代码）
- 智能优化算法应用|智能优化算法应用（基于麻雀搜索算法PID参数优化 - 附代码）
- Algorithm|【algorithm】算法学习----堆
- 「Python」面向对象封装案例3——士兵突击
- #|新手入门-个人总结 Django-Vue 项目的创建流程
- 笔记|直接利用pycharm打包python的一些经验总结（）
- 一本通oj|一本通OJ 1376
- 大数据|Virtural histology分析