GitHub

2024-07-10 06:10| 来源: 网络整理| 查看: 265

Introduction

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 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) 指针网络(Pointer-network)[pytorch版本复现] Tips 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

TODO

如果你有什么其他想要实现的算法没有完成，或者基于上述算法有一些改进方案并愿意开源，请push分支或者给我相关代码我进行复现感谢

refrence

SMO复现代码

【本文地址】

公司简介

联系我们