在这个 M 文件中，在列出的参考论文的支持下给出了 ACO 算法的实现。 您可以轻松地将其用作以下命令来查看结果和播放迭代过程的图片。 ACO('文件名.tsp'); filename.tsp 是对称或非对称 TSP 问题的问题文件，您可以从以下站点下载： http : //elib.zib.de/pub/mp-testdata/tsp/tsplib/tsp/index.html 由于ACO算法有多种类型，因此给出了基本的一种蚂蚁系统（AS），它是独创的。 更多问题或其他ACO算法，您可以通过电子邮件codstar@126.com与我联系。 如果您想将其用于商业用途，请告诉我。 非常感谢 Doug Hull 的建议！

提出了一种基于遗传算法的Web服务选取方法,使得组合形成的增值服务不仅能完成预定义任务,还能满足用户的特定需求。该方法采用动态适应度函数,提高了服务组合的适应度,通过计算个体间服务质量的海明距离和实施最优个体保存策略,提高了服务组合的质量。实验结果证明了该方法的有效性。

针对Markowitz的均值-方差模型的缺陷，用信息熵代替方差度量风险，用反映资金的增值速度的增值熵代替均值，提出了一种新型投资组合模型――最小信息熵-最大增值熵模型，并通过多目标决策方法中的模糊集理论对模型进行求解。同时，给出了通过引入权重系数，将原模型转化为了具有单一目标函数的求解方法。最后通过上海证券交易所的实际数据验证了模型的可行性和有效性。

针对标准蚁群算法易于出现早熟停滞现象，提出了一种自适应多态免疫蚁群算法（adaptive polymorphic immune ant colony algorithm，PIACA）。通过设置多种状态蚁群及引入自适应多态蚁群竞争机制，PIACA算法能有效抑制收敛过程中的早熟停滞现象。将禁忌表中每只蚂蚁走过的路径视为抗体，对抗体运用局部最优搜索算法和免疫克隆选择算法进行高效优化，提高了解的质量。针对TSP实验结果表明，该算法在收敛速度及求解精度上均取得到了较好的效果。

提出了一种基于局部搜索机制快速求解TSP的遗传算法。基于局部搜索机制,自适应地将标准遗传算法与局部启发式算法结合,使得局部启发式算法只在有效改善种群个体质量的情况下才允许执行,有效地避免了因局部搜索次数过多而引起的陷入局部最优和计算负担过重现象的发生。仿真结果表明,该算法具有较强的全局优化能力及较快的收敛速度,在求解TSP问题时有较高效率。

完整代码，可直接运行

多旅行商问题若有局部路径可以重复走的情况 具有重复路径的多旅行商问题： 1、先用Dijkstra算法求解到各个节点的最短路径，最终放入到完全图中 2、初始化染色体数组 3、循环做交叉、变异、选择（轮赌法）运算指定次数 4、利用虚拟分隔符在完全图中找到适应性最好的多旅行商基因序列（若是三个旅行商就用两个分隔符、四个就用三个分隔符，以此类推） 5、再从完全图中解算出原始的路径，最终问题解决 注：由于遗传学算法是随机序列筛选，会出现结果不一致情况，可以增加迭代次数保证结果的准确率。

【达摩老生出品，必属精品，亲测校正，质量保证】 资源名：连续Hopfield神经网络的优化_旅行商问题优化计算_matlab 资源类型：matlab项目全套源码 源码说明： 全部项目源码都是经过测试校正后百分百成功运行的，如果您下载后不能运行可联系我进行指导或者更换。 适合人群：新手及有一定经验的开发人员

matlab代码粒子群算法进化计算 解决NP难题的进化计算技术。 我已经用进化计算技术解决了两个计算难题 石化行业的生产计划 作业车间调度问题（JSSP） 随着进化计算技术的最新发展，我尝试编写新方法，例如人工蜂群（ABC）和基于教学学习的优化（TLBO） 一个典型的文件夹包含各种阅读材料，问题说明和执行代码所需的MATLAB文件。 （数据文件，功能文件，主文件） 下载完整版本的IBM ILGO Optimization Studio 下载GAMS NEOS解算器- Suganthan Group教授的代码 Kotecha Group的公开代码 进化计算大会 IEEE群体智能研讨会（IEEE SIS） 遗传与进化计算会议（GECCO 2019） 来自Mirjalili教授的公开代码 Kalyanmoy Deb教授的代码（与报告） 板块 MATLAB命令 linprog-LP intlinprog-整数线性编程（包括连续变量） SQP的fmincon fnesearch的BFGS Nealder-MEAD fminunc nonDominatedRank-排序非主导解决方案（旧版本，较新

面向微服务实例在不同资源中心的组合部署与调度问题,构建微服务组合部署与调度最优化问题模型。以资源服务中心计算及存储资源利用率、负载均衡率和微服务实际使用率等为优化目标,以服务的完备性、资源与存储资源总量和微服务序列总量为约束条件,提出基于进化多目标优化算法(NSGA-Ⅲ, MOEA/D)求解方法,寻求微服务序列在不同资源中心的实例组合部署与调度策略。通过真实数据集实验对比,在全部满足用户服务请求的约束下,该策略比传统微服务组合调度策略的计算、存储资源平均空闲率和微服务实际空闲率要分别低13.21%、5.2%和16.67%。