针对当前城市配送对象呈现多频次、小批量的特点，配送路线的合理安排问题日益突出，为了优化配送路线，建立了城市配送TSP问题的数学模型，并用LINGO软件进行编程，提出了一种通用的TSP的快速求解方法，通过实例验证了模型的正确性和程序求解的有效性。
2022-07-02 22:23:37
1.12MB
1
- 基于帝国竞争算法的TSP（旅行商）问题
- 共包含20个城市，可以根据要求自己修改城市坐标
- 注释很详细
2022-06-30 18:13:03
5KB
更新：签出库 ，它在一个漂亮干净的Python包中重新实现了学习分支所需的一切（位于）。
图卷积神经网络的精确组合优化
Maxime Gasse，DidierChételat，Nicola Ferroni，Laurent Charlin，Andrea Lodi
这是我们NeurIPS 2019的正式实施。
安装
请参阅安装说明。
运行实验
设置覆盖
# Generate MILP instances
python 01_generate_instances.py setcover
# Generate supervised learning datasets
python 02_generate_samples.py setcover -j 4 # number of available CPUs
# Training
for i in {0..4}
do
python 03_
2022-06-26 00:15:42
52KB
1
一个简单的基于 Python 的旅行推销员问题，它利用 3OPT 移动和 2OPT 扰动阶段。该问题的目标是找到每个城市恰好访问一次然后返回家乡的最小距离。它是一个组合优化（NP 难）问题
该代码使用启发式搜索而不是精确搜索，因此不能保证计算出的行程将是最佳行程。使用启发式搜索的优点是运行时间更短，这使其适用于大型实例的问题。
算法
迭代局部搜索包括 2 个阶段。首先，在局部搜索阶段，算法改进当前解，直到达到局部最小值。其次，在扰动阶段，该算法扰动当前的现有解决方案 (s*) 以逃离搜索的困难区域（例如，局部最小值）。最后，接受标准决定是否更新 s*。
更多详情、使用方法，请下载后阅读README.md文件
2022-06-23 09:05:43
138KB
效果展示：
https://github.com/angary/simulated-annealing-tsp/raw/main/examples/world-tsp.gif
旅行商问题是一个众所周知的 NP-Hard 问题。给定一个城市列表，找到访问所有城市一次的最短路径。
模拟退火是用于解决优化问题的众所周知的随机方法，并且是用于解决 TSP 的众所周知的非精确算法。然而，它的有效性取决于初始参数，例如通常根据经验选择的起始温度和冷却速率。
该项目的目标是：
确定最佳起始温度和冷却速率是
否可以通过输入参数化
可视化 TSP 的求解过程
更多详情、使用方法，请下载后阅读README.md文件
2022-06-21 19:04:02
13.54MB
遗传算法解决5种多旅行商问题（mtsp）的matlab程序
分别为以下5中情况：
1.从不同起点出发回到起点（固定旅行商数量）
2.从不同起点出发回到起点（旅行商数量根据计算可变）
3.从同一起点出发回到起点
4.从同一起点出发不会到起点
5.从同一起点出发回到同一终点（与起点不同）
2022-06-19 14:10:59
21KB
1