TSP问题是典型的NP-hard组合优化问题，遗传算法是求解此类问题的一种方法，但它存在如何较快地找到全局最优解，并防止“早熟”收敛的问题。针对上述问题并结合TSP问题的特点，提出将遗传算法与模拟退火算法相结合形成遗传模拟退火算法。为了解决群体的多样性和收敛速度的矛盾，采用了部分近邻法来生成初始种群，生成的初始种群优于随机产生初始种群。仿真实验结果证明，该算法相对于基本遗传算法的收敛速度、搜索质量和最优解输出概率方面有了明显的提高。

遗传模拟退火算法源程序-chapter4 program.rar 觉得好的顶下哦，处女贴啊！

为了探索更高效的矩形件优化排样方法，提出了一种改进的自适应遗传模拟退火算法。设计了基于矩形件的排样次序及旋转变量的两层染色体编码方法，并采用基于临界多边形的BL定位策略实现矩形件的布局；通过构造启发式算法生成排样初始种群，然后各个种群之间通过相互竞争实现优秀个体的迁移与共享，最终搜索到最优解。标准测试问题的实验结果验证了所提算法的可行性与有效性。

集装箱装载是货物运输过程中重要的一步，其属于NP-hard问题。为了提高效率，降低成本，提出了以集装箱体积利用率最大化为目标建立三维装载模型，同时考虑体积约束、重量约束、重心约束、方向约束。利用混合遗传、模拟退火与三空间分割启发式装载算法求解模型，算法中融入局部最优解保存策略来避免局部较好解在后续的算法过程中出现适应度降低的情况。通过强异类算例与弱异类算例对算法进行性能测试，并结合具体的货物装载数据，得出三维装载图与目标函数值。结果表明，该算法应用于集装箱装载有着较好的效果。

本资源是Mgasa算法解决TSP问题的Matlab代码，资源中包括mgasa_main(Mgasa算法解决TSP问题代码)，mgasa_fitness(适应度求取函数代码)，mgasa_annealing(Mgasa算法中模拟退火代码)，mgasa_select(遗传算法中选择函数代码)，mgasa_crossover(遗传算法中染色体交叉互换函数代码)，mgasa_mutation(遗传算法中基因突变函数代码)，mgasa_change(Mgasa算法中选择过程代码)。同时代码中有Location矩阵，其中30个坐标作为TSP问题的例子。

基于一种改进遗传模拟退火算法的TSP求解。

数学建模源码集锦-基于遗传模拟退火算法的聚类算法应用实例

常用的神经网络是通过固定的网络结构得到最优权值,使网络的实用性受到影响。引入了一种基于方向的交叉算子和变异算子,同时把模拟退火算法引入了遗传算法,结合遗传算法和模拟退火算法的优点,提出了一种优化神经网络结构的遗传——模拟退火混合算法,实现了网络结构和权值的同时优化。仿真实验表明,与遗传算法和模拟退火算法相比,该算法优化的神经网络收敛速度较快、预测精度较高,提高了网络的处理能力。

基于遗传模拟退火算法的模糊C均值聚类算法（MATLAB自带的遗传算法工具箱），注释清楚，可直接更改使用，代码在MATLAB2016里运行通过！

基于混合遗传模拟退火算法求解TSP问题