村头

PSO(粒子群)求解TSP(旅行商问题)  PSO求解TSP代码可以参考之前的博客PSO求解TSP。但是有时候可能会加一些限制，例如某个城市需要先被访问。这里以城市8要第一个访问，起始只需要每次昨晚位置更新后，将城市8更换至第一个访问城市即可。修改  只需修改初始化和每次更新位置的函数，initpos.m 和 updatepos.m 文件。function [ pos ] = initpos( pasize,padim )%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%

质量挖掘算法 对于N个用户和M个产品，每一名用户都有选择性去给每一个产品进行评分， 定义第 l 个产品的 quality 为qlq_lql​:ql=∑i=1Nfixil∑i=1Nfiq_l = \frac{\sum_{i=1}^Nf_ix_{il}}{\sum_{i=1}^Nf_i}ql​=∑i=1N​fi​∑i=1N​fi​xil​​ 定义第 i 个用户的 reputation 为fif_ifi​ ：fi=1Vif_i = \frac{1}{V_i}fi​=Vi​1​Vi=1M∑l=1M(xil

TSP1.1 问题描述    给定一系列城市和每对城市之间的距离，求解访问每一座城市一次并回到起 始城市的最短回路。这里给定 10 个城市和两两之间的距离。如图 2.1 所示。1.2 蚁群算法求解1.2.1 求解思路1.2.2 流程图1.3 实验结果1.3.1 基本蚁群算法1.3.2 最大最小蚁群算法1.4 结果讨论    从实验结果可以看出，蚁群算法搜寻最优路径的结果较为稳定，但是这与 m， NC，Q，a，b，p 的参数都有很大的关系。在基本蚁群算法中，从图 2.4

TSP1.1问题描述    给定一系列城市和每对城市之间的距离，求解访问每一座城市一次并回到起 始城市的最短回路。这里给定 10 个城市和两两之间的距离。如图 2.1 所示。1.2 粒子群算法求解1.2.1 求解思路    粒子群优化算法（PSO），粒子群中的每一个粒子都代表一个问题的可能解， 通过粒子个体的简单行为，群体内的信息交互实现问题求解的智能性。    在 TSP 问题中，我们将每一条访问城市的顺序编码为一个个体，每个种群有 n 个个体，即有 n 种访问顺序，同时，每个个体又有 9

TSP1.1问题描述    给定一系列城市和每对城市之间的距离，求解访问每一座城市一次并回到起 始城市的最短回路。这里给定 10 个城市和两两之间的距离。如图 2.1 所示。1.2 遗传算法求解1.2.1 求解思路    遗传算法是通过将优化函数的可能解表示成一个个体，每个个体用一定编码 方式形成基因，借助遗传算子，选择、交叉、变异操作，对种群进行演化，选择 出更适应环境的种群。    在 TSP 问题中，我们将每一条访问城市的顺序编码为一个个体，每个种群有 n 个个体，即有 n 种访问顺序，

粒子群算法求解路径规划路径规划问题描述    给定环境信息，如果该环境内有障碍物，寻求起始点到目标点的最短路径， 并且路径不能与障碍物相交，如图 1.1.1 所示。1.2 粒子群算法求解1.2.1 求解思路    粒子群优化算法（PSO），粒子群中的每一个粒子都代表一个问题的可能解， 通过粒子个体的简单行为，群体内的信息交互实现问题求解的智能性。    在路径规划中，我们将每一条路径规划为一个粒子，每个粒子群群有 n 个粒 子，即有 n 条路径，同时，每个粒子又有 m 个染色体，即中间过渡点的

蚁群算法求解路径规划路径规划问题描述    给定环境信息，如果该环境内有障碍物，寻求起始点到目标点的最短路径， 并且路径不能与障碍物相交，如图 1.1.1 所示。1.2 蚁群算法求解1.2.1 求解思路1.2.2 求解框图1.3 源码    GitHub传送门！！！...

遗传算法求解路径规划路径规划问题描述    给定环境信息，如果该环境内有障碍物，寻求起始点到目标点的最短路径， 并且路径不能与障碍物相交，如图 1.1.1 所示。1.2 遗传算法求解1.2.1 求解思路    遗传算法是通过将优化函数的可能解表示成一个个体，每个个体用一定编码 方式形成基因，借助遗传算子，选择、交叉、变异操作，对种群进行演化，选择 出更适应环境的种群。 在路径规划中，我们将每一条路径规划为一个个体，每个种群有 n 个个体， 即有 n 条路径，同时，每个个体又有 m 个染色体，即中