旅行商的案例
139基于matlab多旅行商MTSP問題 ￥24.9
基于matlab多旅行商MTSP問題，利用遺傳算法求解多旅行商問題的算法設計，輸出MTSP路徑。相互獨立路徑，同一起點路徑。程序已調通，可直接運行。
基于pytorch的蟻群算法求解TSP(旅行商問題) ￥49.9
基于pytorch的蟻群算法求解TSP(旅行商問題)，訪問一座城市并回到最初位置的最佳路徑，解決組合中的NP問題。程序已調通，替換自己的數據可以直接運行。標價為程序價格，不包含售后。程序保證可直接運行。
基于Matlab的協同進化遺傳算法求解旅行商問題
旅行商問題（Traveling Salesman Problem，簡稱TSP問題），即為求解最優化的城市線路組合，要求每個城市都要走且只走一遍，終點城市同出發城市為同一個，最終所走路程需最短。本文在傳統遺傳算法基礎上，對其進行改進優化，提出了精英保留的協同進化遺傳算法，并分別以30、50和75個城市為例，對二者進行對比。該算法的運行流程如圖1所示。
圖1 協同進化遺傳算法運行流程
產生初始種群后（設種群數量為POP），便按照適應度值（即總路程倒數）高低將其分為三個子種群，其中，子種群1的適應度值最大，子種群3的適應度值最小。接著，在各個子種群內部進行交叉變異操作，依次產生新子種群1、新子種群2、新子種群3。同時，三個子種群兩兩之間，也進行交叉變異操作，依次產生新子種群4、新子種群5、新子種群6。最后便將這6個新子種群進行組合，然后從中隨機挑選出POP-1個個體，并根據精英保留策略，將其與父代最優個體相合并，從而得到新種群、開始下一代的操作。
以30、50、75個城市為例，分別進行10次重復試驗，取各次試驗兩種算法最優解的平均值進行對比，結果如圖2所示。
圖2 兩種算法的尋優結果對比
顯然，同傳統遺傳算法相比，協同進化遺傳算法具備更強大的最優解搜索能力，尤其當城市數量較多時（如此例中的75），其能更有效地避免陷入局部最優，從而找到全局最優的解、使得總路程更小。以75個城市數量為例，兩種算法所確定的最優路徑分別如圖3(a)與3(b)所示。
(a) 傳統遺傳算法
(b) 協同進化遺傳算法
圖3 兩種算法所確定的最優路徑對比
圖3中，橫軸縱軸分別為每個城市的橫縱坐標，圖中的數字即為每個城市的編號。顯然，協同進化遺傳算法所確定的最優路徑更為規整，這表明其同傳統遺傳算法相比，具有更強的全局尋優能力，且具備更好的魯棒性。
展開 26基于MATLAB的蟻群算法求解TSP(旅行商問題)，訪問一座城市并回到最初位置的最佳路徑 ￥20.9
基于MATLAB的蟻群算法求解TSP(旅行商問題)，訪問一座城市并回到最初位置的最佳路徑，解決組合中的NP問題。程序已調通，替換自己的數據可以直接運行。標價為程序價格，不包含售后。程序保證可直接運行。
26基于MATLAB的蟻群算法求解TSP(旅行商問題)，訪問一座城市并回到最初位置的最佳路徑 ￥20
基于MATLAB的蟻群算法求解TSP(旅行商問題)，訪問一座城市并回到最初位置的最佳路徑，解決組合中的NP問題。程序已調通，替換自己的數據可以直接運行。標價為程序價格，不包含售后。程序保證可直接運行。
基于matlab求解二維非穩態對流擴散反應問題
?? 代碼獲取關注我
??部分理論引用網絡文獻，若有侵權聯系博主刪除
?? 關注我領取海量matlab電子書和數學建模資料
?? 仿真咨詢
1 各類智能優化算法改進及應用
生產調度、經濟調度、裝配線調度、充電優化、車間調度、發車優化、水庫調度、三維裝箱、物流選址、貨位優化、公交排班優化、充電樁布局優化、車間布局優化、集裝箱船配載優化、水泵組合優化、解醫療資源分配優化、設施布局優化、可視域基站和無人機選址優化
2 機器學習和深度學習方面
卷積神經網絡（CNN）、LSTM、支持向量機（SVM）、最小二乘支持向量機（LSSVM）、極限學習機（ELM）、核極限學習機（KELM）、BP、RBF、寬度學習、DBN、RF、RBF、DELM、XGBOOST、TCN實現風電預測、光伏預測、電池壽命預測、輻射源識別、交通流預測、負荷預測、股價預測、PM2.5濃度預測、電池健康狀態預測、水體光學參數反演、NLOS信號識別、地鐵停車精準預測、變壓器故障診斷
2.圖像處理方面
圖像識別、圖像分割、圖像檢測、圖像隱藏、圖像配準、圖像拼接、圖像融合、圖像增強、圖像壓縮感知
3 路徑規劃方面
旅行商問題（TSP）、車輛路徑問題（VRP、MVRP、CVRP、VRPTW等）、無人機三維路徑規劃、無人機協同、無人機編隊、機器人路徑規劃、柵格地圖路徑規劃、多式聯運運輸問題、車輛協同無人機路徑規劃、天線線性陣列分布優化、車間布局優化
4 無人機應用方面
無人機路徑規劃、無人機控制、無人機編隊、無人機協同、無人機任務分配
、無人機安全通信軌跡在線優化
5 無線傳感器定位及布局方面
傳感器部署優化、通信協議優化、路由優化、目標定位優化、Dv-Hop定位優化、Leach協議優化、WSN覆蓋優化、組播優化、RSSI定位優化
6 信號處理方面
展開 【JY】2B青年歡樂多之Matlab篇
06
travel 旅行商問題的求解
在命令欄窗口輸入“travel”，可觀看旅行推銷員問題演示。
此演示將動畫化所謂的“旅行推銷員”問題。
問題是形成一個旅行時間最短的城市數量一路上的總距離。
07
truss 桁架結構求解振型
在命令欄窗口輸入“truss”，你可以得到彎曲橋桁架的桁架動畫。這個演示動畫一個二維桁架的12個自然彎曲模式。這些彎曲模態是特征值分析的結果。它們是按自然頻率排列的，其中一個是最慢（最容易激發）模式，12個是最快模式。
無人機航跡規劃技術研究綜述
Konatowski等[31]采用蟻群算法與解決TSP(旅行商)問題類似的工作原理，很大程度上簡化了對優化問題的表述，在各種任務參數中規劃了無人機的路徑。Daryanavard等[32]在地理區域無線物聯網節點數據收集的無人機路徑規劃問題中，為找到傳感器之間的最短路徑，采用了蟻群算法和模擬退火算法兩種優化方法進行三維建模對比，在傳感器數量比較多的情況下，蟻群算法有更好的性能。王芳[33]在蟻群算法中融合了量子計算的量子特性，通過量子旋轉門策略與最優路徑的結合實現信息素的更新規則，不但延續了蟻群算法正反饋、易于分布式計算以及高魯棒性等優點，而且繼承了量子計算的并行性等高效機制，使算法的收斂效果更好，全局尋找最優解的能力也大大加強。劉蓉等[34]將混沌優化理論應用在蟻群算法的初始化階段來設置初始信息素值，采用變尺度調節系數，先大范圍粗略搜索，后逐步縮小范圍，然后引入混沌擾動的信息素更新策略，使算法在解的雙側鄰域內進行搜索，并對通過尋優得到的航路進行全局信息素更新，最終有效克服了局部最優的缺點，提高了搜索效率。
3.3.4 粒子群算法
1995年Kennedy等[35]提出的粒子群優化(particle swarm optimization, PSO)算法是一種新的進化優化算法，算法的運行機理是對生物群體的社會行為進行模擬，利用群智能建立簡化的模型，最早啟發于對鳥類搜尋食物行為的研究，同時，利用信息共享機制，使生物群體中的個體之間、個體與群體之間相互作用、相互影響，以促進整個群體的發展。
Patley等[36]采用正交設計的方法對粒子群算法進行改進，通過最小化預定目標函數來確定無人機在每個時間步長的最優位置，在獲取3D航路點時使用傾斜平面策略并制定航路點排序策略，為每個無人機規劃出最佳路徑，同時又縮短了收斂時間。
展開 十架令人稱奇的老式飛機，目前依然在飛！
波音707不僅比螺旋槳飛機快得多，同時也在乘坐舒適度和飛機設計方面設置了標準，在改進后，仍然是今天航空旅行的基礎機型。
但在2011年之后，波音707退出商業飛行的行列。不少政府依然為VIP們配置了波音707，想要乘坐就讓自己被邀請吧。或者跟演員約翰特拉沃爾塔成為朋友，他私人擁有一架。
道格拉斯DC-8
首次飛行：1958年
作為波音707的當代競爭對手，DC-8在螺旋槳飛機向噴氣機的過渡中同樣扮演了重要的角色。
它是史上第一架突破音速的飛機，雖然只是在測試飛行中持續了16秒。它被證明是非常受歡迎的機型，幾十年來為很多航空公司和政府服務。
說實話，普羅大眾能夠接觸到這機型的機會近乎于零。但還是有不少DC-8被用為客機。最值得稱道的是，美國宇航局用它來做飛行實驗室。
安東諾夫An-24首次飛行：1959年
An-24用穩健性和可靠性彌補了在外型方面的缺陷，所以在前蘇聯擴張過程中被廣泛使用。設計于上世紀50年代，該機型依然服務于民用和軍事運營商，特別是在地面基礎設施少的地區。
雖然目前大部分使用中的An-24用于貨運或者軍事運輸，烏克蘭的摩托斯奇航空公司依然在固定的客運航班上使用。
展開 【綜述】海上無人系統集群：發展現狀及關鍵技術
2.3.1 集中式任務分配
經典的集中式任務分配模型包括：多旅行商問題 （multiple traveling salesman problem, MTSP）、車輛路徑問題（vehicle routing problem, VRP）、多選 擇 背 包 問 題 （ multiple choice knapsack problem, MCKP）、混合線性整數規劃 （mixed integer linear programming, MILP）[20]、動態網絡流優化（dynamic network flow optimization, DNFO）[21]、處理器資源分配（multiple processors resource allocation, CMTAP）等。
海上無人系統集群平臺數量多、異構特性突出、任務類型豐富，這些特點使描述分配問題變得更復雜，增加了求解空間。在求解集中式分配模型方面，典型的求解算法包括最優方法和啟發式方法。而最優方法還有圖論法、約束規劃法、整數規劃法、窮舉法，這其中的整數規劃法又發展出了矩陣作業法、單純性法、匈牙利法、分支定界法、混合整數規劃算法等。雖然最優方法可對模型精確求解，且求得的解是全局最優解，但缺點是用時長，實時性不高。
啟發式求解方法分為 3 大類：列表算法、聚類算法、智能算法。其中，列表算法是基于優先權函數對任務處理次序進行排列，然后分發給各成員[22]；聚類算法是將任務作為一個簇聚類，通過滿足任務簇與系統成員的數量達到一致[23] 來實現分配，這兩種算法有一定的應用。相比聚類算法，智能類算法的應用較為普遍，尤其以遺傳算法、粒子群算法、蟻群算法的應用居多。
展開 