Introduction

启发式算法是相对于最优化算法提出的，是基于直观或者经验构造的算法，在可接受的开销（时间和空间）内给出待解决组合优化问题的一个可行解。

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

1. 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
2. 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
3. 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
4. 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
5. 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
6. 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

refrence

SMO复现代码