TSBLIB测试数据库的 att48.tsp 的最优化路径，数据和示意图

最新推荐文章于 2021-02-26 20:08:37 发布
最新推荐文章于 2021-02-26 20:08:37 发布
阅读量6.7k 收藏 13
点赞数 3
文章标签： 数据库 优化 测试
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/seaeyepan/article/details/7206001
版权

att48的最优路径总长度是：33522

此路径为 四舍五入每一步的城市距离，取整数，然后加总

四舍五入采取通常的逢四就舍去，逢五就进一。

而不是 banker's round(四舍六入五取偶)。

X坐标 Y坐标
3245.00  3305.00
3484.00  2829.00
3023.00  1942.00
3082.00  1644.00
1916.00  1569.00
1633.00  2809.00
1112.00  2049.00
10.00  2676.00
23.00  2216.00
401.00  841.00
675.00  1006.00
2233.00  10.00
3177.00  756.00
4608.00  1198.00
4985.00  140.00
6107.00  669.00
6101.00  1110.00
5530.00  1424.00
5199.00  2182.00
4612.00  2035.00
4307.00  2322.00
4706.00  2674.00
5468.00  2606.00
5989.00  2873.00
6347.00  2683.00
6271.00  2135.00
6898.00  1885.00
6734.00  1453.00
7265.00  1268.00
7392.00  2244.00
7545.00  2801.00
7509.00  3239.00
7462.00  3590.00
7573.00  3716.00
7541.00  3981.00
7608.00  4458.00
7762.00  4595.00
7732.00  4723.00
7555.00  4819.00
7611.00  5184.00
7280.00  4899.00
7352.00  4506.00
7248.00  3779.00
6807.00  2993.00
6426.00  3173.00
5900.00  3561.00
5185.00  3258.00
4483.00  3369.00

seaeyepan
关注
遗传算法求解TSP问题
可乐林的博客
07-28 3万+
遗传算法求解TSP问题 本文源代码可在这里下载。 摘要： TSP问题是指假设有一个旅行商人要拜访n个城市，他必须选择所要走的路径，路径的限制是每个城市只能拜访一次，而且最后要回到原来出发的城市。路径的选择目标是要求得的路径路程为所有路径之中的最小值。本文使用遗传算法解决att48问题，即48个城市的旅行商问题，该问题目前的最优解是10628，受个别参数影响以及数据样本数量的限制，本文所得到的...
【算法】ACO蚂蚁寻路最短路径TSP问题-多篇文章总结
尹豆的博客
10-01 4906
说在开始 发现有的文章缺公式数学模型，有的文章缺代码，有的文章缺推导过程,内容很杂乱。在这里我将多篇文章精华内容进行总结汇总，其中加入了我个人的见解，在文章最后我会给出参考链接。 本节代码位置：https://github.com/ModestBean/algorithm/tree/master/ACO_aunt_optimal_path 个人博客：https://modestbean.gith...
tsplib上的数据att48
05-17
tsplib上的数据att48，这是一个对称TSP问题，城市规模为48，其最优值为10628.其距离计算方法参见我的博客。
TSPLIB数据:att48
06-19
城市序号 X Y 1 6734 1453 2 2233 10 3 5530 1424 4 401 841 5 3082 1644 6 7608 4458 7 7573 3716 8 7265 1268 9 6898 1885 10 1112 2049 上传资源最少设置1积分，没办法
att48 tsp数据
11-04
tsp数据 att48.xml
att48数据集
01-03
att48数据集常用于TSP问题，包括了48个城市的坐标及其编号
java画禁忌搜索算法的效果图_基于禁忌搜索算法求解TSP问题（JAVA） | 学步园
weixin_35101697的博客
02-26 291
一、TSP问题TSP问题(Travelling Salesman Problem)即旅行商问题，又译为旅行推销员问题、货郎担问题，是数学领域中著名问题之一。假设有一个旅行商人要拜访n个城市，他必须选择所要走的路径，路径的限制是每个城市只能拜访一次，而且最后要回到原来出发的城市。路径的选择目标是要求得的路径路程为所有路径之中的最小值。TSP问题是一个组合优化问题。该问题可以被证明具有NPC计算复杂性...
TSP数据集att48.tsp
07-20
适合于解决蚁群优化算法、模拟退火算法等算法的编写
TSPLIB数据
05-03
蚁群算法的文献中所用到的实验数据，各种全
TSPLIB数据集 (2).zip
09-08
TSPLIB数据集，一共包括144个TSPlib的数据集，包括已知最优解
旅行商问题的att48数据
01-04
att48数据，里面包含了48个城市的坐标，主要用于解决旅行商问题的
TSPLIB数据集、使用方法及最优解
05-17
TSPLIB数据集、数据集的使用方法及相应的最优解，可用作智能算法测试集 benchmark for ACO/GA/PCO
att48数据集最优值10628的解
staple
06-13 5794
  用蚁群算法计算att48数据集最好只拿到了10812，但用模拟退火算法计算att48数据集终于拿到了10628。模拟退火算法对蚁群算法的优势明显。   我的下载资源里的蚁群算法主要参考了这篇博客。 https://blog.csdn.net/fashionxu/article/details/5484864 但是这篇博客没有提供画图功能，在我的资源里做了画图功能，只要把文件的路径...
使用python实现ACO解决ATT48
Gig_Face的博客
04-21 2776
关键词：python、ACO(蚁群算法)、TSP(旅行商问题)、ATT48 参考文献：M. Dorigo, V. Maniezzo, and A. Colorni. The Ant System: An autocatalytic optimizing process. Technical Report 91-016 Revised, Dipartimento di Elettronica,Po...
使用优化后的退火算法对att48.tsp求解最优路径并绘图python代码
最新发布
06-10
以下是使用优化后的退火算法对att48.tsp求解最优路径并绘图的Python代码： ```python import math import random import matplotlib.pyplot as plt # 读取tsp文件 def read_tsp_file(filename): coordinates = [] with open(filename, 'r') as f: lines = f.readlines() for line in lines: if line.startswith('DIMENSION'): n = int(line.split()[-1]) elif line.startswith('NODE_COORD_SECTION'): for i in range(n): line = lines[i+1].strip().split() coordinates.append((float(line[1]), float(line[2]))) return coordinates # 定义距离矩阵 def distance_matrix(city_coordinates): n = len(city_coordinates) matrix = [[0] * n for i in range(n)] for i in range(n): for j in range(n): if i != j: x1, y1 = city_coordinates[i] x2, y2 = city_coordinates[j] matrix[i][j] = math.sqrt((x1 - x2) ** 2 + (y1 - y2) ** 2) return matrix # 邻域结构：交换两个城市的位置 def swap_cities(path): n = len(path) i, j = random.sample(range(n), 2) new_path = path[:] new_path[i], new_path[j] = new_path[j], new_path[i] return new_path # 计算路径长度 def path_length(path, distance): return sum([distance[path[i-1]][path[i]] for i in range(len(path))]) # 优化后的退火算法 def simulated_annealing(distance, max_iterations=50000, start_temperature=10000, cooling_rate=0.99): n = len(distance) current_path = random.sample(range(n), n) current_length = path_length(current_path, distance) best_path = current_path[:] best_length = current_length temperature = start_temperature for i in range(max_iterations): new_path = swap_cities(current_path) new_length = path_length(new_path, distance) delta = new_length - current_length if delta < 0 or random.random() < math.exp(-delta/temperature): current_path = new_path[:] current_length = new_length if current_length < best_length: best_path = current_path[:] best_length = current_length temperature *= cooling_rate return best_path, best_length # 绘制最优路径 def plot_path(city_coordinates, path): x = [city_coordinates[path[i]][0] for i in range(len(path))] y = [city_coordinates[path[i]][1] for i in range(len(path))] x.append(city_coordinates[path[0]][0]) y.append(city_coordinates[path[0]][1]) plt.plot(x, y, marker='o') plt.show() # 读取tsp文件并求解最优路径 filename = 'att48.tsp' city_coordinates = read_tsp_file(filename) distance = distance_matrix(city_coordinates) best_path, best_length = simulated_annealing(distance) # 输出最优路径和最短距离 print('最优路径:', best_path) print('最短距离:', best_length) # 绘制最优路径 plot_path(city_coordinates, best_path) ``` 在代码中，我们读取了att48.tsp文件并将其转换为城市坐标，然后使用定义的距离矩阵和优化后的退火算法求解最优路径，最后绘制最优路径的图像。代码运行后，会输出最优路径和最短距离，并绘制最优路径的图像。
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值