旅行商问题(TSP)常用数据集

已于 2022-03-21 20:25:38 修改
阅读量1.2w 收藏 59
点赞数 10
分类专栏： matlab 最优化问题 旅行商问题 文章标签： matlab TSP数据集
于 2021-05-30 15:22:52 首次发布
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/weixin_43821559/article/details/117397944
版权
matlab 同时被 3 个专栏收录
332 篇文章 333 订阅
订阅专栏
最优化问题
304 篇文章 188 订阅
订阅专栏
旅行商问题
13 篇文章 7 订阅
订阅专栏

文章目录

数据集

1、burma14

城市分布如图1所示。
在这里插入图片描述

图1 burma14分布

2、bayg29

城市分布如图2所示。
在这里插入图片描述

图2 bayg29分布

3、att48

城市分布如图3所示。
在这里插入图片描述

图3 att48分布

4、eil51、eil76、eil101、eil535

城市分布如图4~7所示。
在这里插入图片描述

图4 eil51分布

在这里插入图片描述

图5 eil76分布

在这里插入图片描述

图6 eil101分布

在这里插入图片描述

图7 eil535

5、Oliver30

城市分布如图8所示。
在这里插入图片描述

图8 Oliver30分布

6、st70

城市分布如图9所示。
在这里插入图片描述

图9 st70分布

7、pr76、pr226

城市分布如图10、11所示。
在这里插入图片描述

图10 pr76分布

在这里插入图片描述
图11 pr226分布

8、gr96

城市分布如图12所示。
在这里插入图片描述

图12 gr96分布

9、ch130、ch150

城市分布如图13、14所示。
在这里插入图片描述

图13 ch130分布

在这里插入图片描述

图14 ch150分布

10、pcb442

城市分布如图15所示。
在这里插入图片描述

图15 pcb442分布

下载地址

https://download.csdn.net/download/weixin_43821559/85014170

心️升明月
关注
  • 10
    点赞
  • 踩
  • 59
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 6
    评论
专栏目录
TSP-数据集
02-01
TSP的146个数据集，10个点的到18000个点的都有。有些格式不一样，里面有部分是整理过的，格式统一的数据。
TSP数据大全！
01-28
TSP144城市坐标，权威代表！旅行商问题file！
三维SDMTSP：GWO灰狼优化算法求解三维单仓库多旅行商问题，可以更改数据集和起点（MATLAB代码）
最新发布
05-05 445
灰狼优化算法的目标函数是各个旅行商路径之和第1个旅行商的路径：10->18->17->22->14->4->10第1个旅行商的总目标函数值：1063.936088第2个旅行商的路径：10->19->25->11->15->2->10第2个旅行商的总目标函数值：1478.896210第3个旅行商的路径：10->13->1->23->7->27->10第3个旅行商的总目标函数值：1910.167008第4个旅行商的路径：10->20->24->9->6->28->10。
(TSP)旅行商问题经典数据集 50+经典数据集
05-03
用于验证算法的有效性
旅行商(TSP)问题测试集
07-15
旅行商(TSP)问题测试集,可用于测试蚁群算法\遗传算法性能
【TSP数据集】用于 加载ATSP和TSP 测试样例的python加载器【使用所有类型数据】【使用数据给出方法计算邻接矩阵和邻接表】
prinTao的博客
05-30 1146
class TSP_DATA: '''用于读取数据、存放图的数据结构 类内变量： 必有： self.NAME 测试样例名称 self.TYPE 测试样例类型 TSP ATSP self.DIMENSION. 维度 self.EDGE_WEIGHT_TYPE 边权值计算方式 决定读取方式 self.matrix 矩阵形式数据 self.table .
运筹系列60：TSP问题数据
kittyzc的博客
12-30 5608
1. 2-opt方法 2-opt本质是一个边交换启发式算法，非常简单。首先用myopic的方式生成一条路线，然后逐点使用2-opt算法进行优化。 我们使用kaggle上的一个数据，https://www.kaggle.com/jsaguiar/fast-2-opt-with-cython/notebook?select=cities.csv，5000个点。 1.1 基础版本 import numpy as np import pandas as pd cities = pd.read_csv("/Users
TSP问题数据集
深巷
10-26 721
共102组数据 涵盖了从131个点到744710个点的数据。从29个城市的西撒哈拉，到71009个城市的中国。
tsp test data.rar_tsp 数据集_tsp 测试集_tsp中bayg29_tsp数据集_tsp测试集
07-15
TSP问题标准数据集（附最优解）。用于测试算法的优劣及效率等。TSP问题研究必备
tsp 数据集处理
weixin_33785108的博客
06-03 7017
2019独角兽企业重金招聘Python工程师标准>>> ...
【史上最全】【一行代码即可】对所有测试样例可用的TSP数据集加载器+TS算法、ACO算法、PSO算法
prinTao的博客
06-19 861
由于TSP问题数据类型多样，储存方式、评价指标多样，因此想成功加载所有数据需要写较多逻辑。本项目就解决了这个问题。我还封装了类来简化使用。 项目配合写了latex小论文代码地址 项目地址 详细看readme.md主文件存放我的开源pip库：官方网站测量函数运行时间，用于后续训练final_report 最终报告latex文档代码mid_term 中期文档latex代码proposal 开题latex代码code 代码TSP_tst_data TSP测试数据
eil51.tsp.txt
06-04
TSP eil51数据，可用于多种算法，是学习模拟退火算法，蚁群算法等的经典数据集
蚁群算法中使用的tsp测试数据集
03-29
TSP数据集是用来对自己所写的蚁群算法进行测试的原始数据，使用这些标准数据来进行测试有利于与别人的算法进行性能比较
TspLib数据集以及最优结果
05-29
TSPLIB是来自各种来源和各种类型TSP（以及相关问题）的示例实例库，并且给出了对应各个样例的最优解。 https://comopt.ifi.uni-heidelberg.de/software/TSPLIB95/index.html
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
旅行商问题的tsp数据集
11-20
旅行商问题的tsp数据集
基于遗传算法的旅行商问题TSP
05-20
TSP（旅行商问题）是一个典型的NP完全...TSP问题并不仅仅适用于旅行商问题，其他许多的NP完全问题也可以归纳为TSP问题，如邮路问题，转配线上的螺母问题和产品的生产安排问题等等，使得TSP问题的有效求解具有重要意义。
Matlab编程求解旅行商（TSP）问题
03-13
算法包括：ACO、GA、GWO、Hopfield、IA、SA、SMA、TS、
tsp数据集
gwj59的博客
11-23 825
TSP遗传算法数据集
旅行商问题TSP代码
05-26
以下是一个简单的 TSP（旅行商问题）的 Python 代码实现，使用贪心算法： ```python import math # 计算两个城市之间的距离 def distance(city1, city2): x1, y1 = city1 x2, y2 = city2 return math.sqrt((x1-x2)**2 + (y1-y2)**2) # 计算从当前城市出发到未访问过的城市的距离 def nearest_neighbor(current_city, unvisited_cities): return min(unvisited_cities, key=lambda city: distance(current_city, city)) # TSP主函数 def tsp(cities): start_city = cities[0] unvisited_cities = set(cities[1:]) tour = [start_city] while unvisited_cities: nearest_city = nearest_neighbor(tour[-1], unvisited_cities) tour.append(nearest_city) unvisited_cities.remove(nearest_city) tour.append(start_city) return tour # 测试 if __name__ == "__main__": cities = [(0, 0), (1, 1), (2, 2), (3, 3), (4, 4), (5, 5)] print(tsp(cities)) ``` 输出结果为： ``` [(0, 0), (1, 1), (2, 2), (3, 3), (4, 4), (5, 5), (0, 0)] ``` 这表示从起点出发，按照距离最近的顺序访问每个城市，最后回到起点的路径为 `(0, 0) -> (1, 1) -> (2, 2) -> (3, 3) -> (4, 4) -> (5, 5) -> (0, 0)`。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 6
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

打赏作者

心️升明月

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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