求TSP（旅行商问题）标准测试数据

xiang1515 2007-03-13 09:20:59

本人因学习需要，现求TSP的标准测试数据（最好带最优解）。希望大家帮忙。

...全文

970 2 打赏收藏转发到动态举报

写回复

2 条回复

切换为时间正序

请发表友善的回复…

发表回复

xiang1515 2007-03-14

打赏
举报

回复

哦，好的，我查查看吧。谢谢啊

zoologist 2007-03-14

打赏
举报

回复

你可以去搜索一下论文（到图书馆搜索中文期刊），上面有数据的。

我以前看过使用遗传算法求解tsp的论文就是这样的。

TSP144城市坐标，权威代表！旅行商问题file！

用动态规划算法求解TSP，数据为Solomon数据集的c101文件读取，可视化路径图，用图展示每次迭代的最优值、最差值和平均值，并与Gurobi求解结果比较各计算时间下的目标值。首先，我们需要安装所需的库。如果你没有安装这些库，可以通过以下命令进行安装： bash pip install numpy pandas matplotlib networkx gurobipy 然后，我们需要读取Solomon数据集的c101文件。这个文件是一个路线优化问题的标准测试数据集。我们使用networkx库来构建图，并使用pandas来读取数据。以下是使用动态规划算法求解旅行商问题(TSP)的Python代码。为了可视化每次迭代的最优值、最差值和平均值，我们使用matplotlib库。python import networkx as nx import pandas as pd import gurobipy as grb import matplotlib.pyplot as plt # 读取数据集 df = pd.read_csv('c101.solomon.edges

在现有求解 TSP 问题的模拟退火算法的基础上,通过引入新的两点算子以及利用fprintf()函数﹑fscanf()函数和全局变量的作用,提出了一种温度可控的模拟退火算法。对CHN144 以及标准的TSPLIB 中不同国家的城市的数据进行测试。测试结果表明，该算法很容易收敛到问题的最优解。

matlab tsp问题代码驴和走私者的优化算法，一种协同工作方式的路径查找方法群体智能是一种元启发式优化方法，在过去的几十年中变得非常流行。这些算法的灵感来自动物的身体行为及其进化感知。这些算法的简单性使研究人员可以模拟不同的自然现象来解决各种现实问题。本文提出了一种新颖的算法，称为驴和走私者优化算法（DSO）。 DSO受驴的搜索行为启发。该算法模仿了运输行为，例如在现实世界中通过驴来搜索和选择移动路线。建立了两种模式来实现该算法中的搜索行为和路由选择。这些是走私者和驴子。在走私者模式下，发现所有可能的路径，然后找到最短的路径。在“驴”模式下，利用了多种驴行为，例如“奔跑”，“面部和自杀”以及“面部和支持”。实际数据和应用程序用于测试算法。实验结果包括两个部分，首先，我们使用标准的基准测试功能来针对最流行和最先进的算法评估算法的性能。其次，DSO在以下三个实际应用中进行了修改和实现： 旅行商问题，数据包路由和救护车路由。 DSO在这些现实问题上的实验结果非常有前途。结果表明，建议的DSO适用于解决其他不熟悉的搜索空间和复杂问题。该文件包含算法的MATLAB

旅行商问题（TSP）. 一个商人欲从自己所在的城市出发，到若干个城市推销商品，然后回到其所在的城市。如何选择一条周游路线，使得商人经过每个城市一次且仅一次后回到起点，并使他所走过的路径最短？TSP 即Travelling Salesman Problem. 中文翻译过来就是旅行商问题。旅行商问题是一个典型的NP难问题。NP指的是Non-deterministic Polynomial，即多项式复杂程度的非确定性问题。由于该问题的组合特性，旅行商问题已成为测试新算法的标准问题，如模拟退火、神经网络和演化算法等

4,446

社区成员

15,335

社区内容

发帖

与我相关

我的任务

社区管理员

加入社区

近7日
近30日
至今

加载中

查看更多榜单

社区公告

暂无公告

试试用AI创作助手写篇文章吧

+ 用AI写文章