TSP问题
lb=((1+3)+(3+6)+(1+2)+(3+4)+(2+3))/2=14
于是，得到了目标函数的界[14, 16]。 需要强调的是，这个解并不是一个合法的选择（可能没有 构成哈密顿回路），它仅仅给出了一个参考下界。
d(1, {2, 3})=min{c12+d(2, {3}), c13+ d(3, {2})}=min{2+5, 3+11}=7(1→2) d(2, {1, 3})=min{c21+d(1, {3}), c23+ d(3, {1})}=min{4+6, 2+12}=10(2→1) d(3, {1, 2})=min{c31+d(1, {2}), c32+ d(2, {1})}=min{7+8, 5+9}=14(3→2) 最后有：
③ 边(u, v) 加入解集合S后，S中不产生分枝；
∞3 3 2 6
C= 3 ∞ 7 3 2 3 7 ∞2 5
2 3 2∞3
6 2 5 3∞
1
52
2
4
3
(a) 5城市的代价矩阵 (b) 城市1→城市4
1
2 5
22
4
3
(c) 城市5→城市2
1 5 22
1
2
5
22
13
2
5
22
2
5Байду номын сангаас
5
4 23
4 23
4 23
52
32
4
3
(b) 城市1→城市4
1
52
2
3
3
4 23 (c) 城市4→城市3
1
5
22
5
1
2
5
22
7
5
1
2
5
2
3
2
2
5
4 23
4 23
4 23
(d) 城市3→城市5 (e) 城市5→城市2
(f) 城市2→城市1
最近邻点贪心策略求解TSP问题的过程
设图G有n个顶点，边上的代价存储在二维数组w[n][n] 中，集合V存储图的顶点，集合P存储经过的边，最近邻点 策略求解TSP问题的算法如下：
3．对V[2n-1-1]中的每一个元素k，计算d[0][2n-1-1]=min(c[0][k]+d[k][2n-1-2]); 4．输出最短路径长度d[0][2n-1-1];
显然，算法6.1的时间复杂性为O(2n)。和蛮力法相比， 动态规划法求解TSP问题，把原来的时间复杂性是O(n!)的排 列问题，转化为组合问题，从而降低了算法的时间复杂性， 但它仍需要指数时间。
算法7.1——最近邻点策略求解TSP问题
1． P={ }; 2． V=V-{u0}; u=u0; //从顶点u0出发 3． 循环直到集合P中包含n-1条边
3.1 查找与顶点u邻接的最小代价边(u, v)并且v属于集合V； 3.2 P=P+{(u, v)}; 3.3 V=V-{v}; 3.4 u=v; //从顶点v出发继续求解
TSP问题
TSP 问题
TSP问题是指旅行家要旅行n个城市然后回到出发城市， 要求各个城市经历且仅经历一次，并要求所走的路程最短。 该问题又称为货郎担问题、邮递员问题、售货员问题，是图 问题中最广为人知的问题。
蛮力法
就像宝剑不是撬棍一样，科学也很少使用蛮力。 －－－Edward Lytton
把事情做“好‘常常是浪费时间。 －－－Robert Byrne
如若不然，设s1, r1, r2, …, rq, s是一条从s1到s的 最短路径且经过n-1个不同城市，则s, s1, r1, r2, …, rq, s将是一条从s出发的路径长度最短的简单回路且比s, s1, s2, …, sp, s要短，从而导致矛盾。所以，TSP问题 满足最优性原理。
假设从顶点i出发，令d(i, V')表示从顶点i出发经过
60,000,000,000,000,000个可能解。
一个50城市的TSP问题有大约1062个可能解，而一个 行星上也只有1021升水。
用蛮力法求解TSP问题，只能解决问题规模很小的 实例。
贪心法
贪婪，我找不到一个更好的词来描述它， 它就是好！它就是对！它就是有效！
－－－美国演员道格拉思，在影片《华尔街》中的台词
用分支限界法解
9.2.1 TSP问题
TSP问题是指旅行家要旅行n个城市，要求各个城
市经历且仅经历一次然后回到出发城市，并要求所走 的路程最短。
1 32
56
81
79
344 23 5
∞3 1 5 8 3∞6 7 9 C= 1 6 ∞ 4 2 5 7 4∞3 8 9 2 3∞
(a) 一个无向图
(b) 无向图的代价矩阵
(d) 城市4→城市3 (e) 城市3→城市5 (f) 城市2回到出发城市1
最短链接贪心策略求解TSP问题的过程
设图G有n个顶点，边上的代价存储在二维数组w[n][n]中， 集合E'是候选集合即存储所有未选取的边，集合P存储经过的 边，最短链接策略求解TSP问题的算法如下：
算法7.2——最短链接策略求解TSP问题
是否最短
否 是 否 是 否 否
注意到，在图3.16中有3对不同的路径，对每对路径来 说，不同的只是路径的方向，因此，可以将这个数量减半， 则可能的解有(n-1)!/2个。这是一个非常大的数，随着n的 增长，TSP问题的可能解也在迅速地增长，例如：
一个10城市的TSP问题有大约有180,000个可能解。 一个20城市的TSP问题有大约有
各个城市间的距离可以用代价矩阵来表示。
∞367 C= 5 ∞ 2 3
6 4∞ 2 3 75∞
带权图的代价矩阵
证明TSP问题满足最优性原理
设s, s1, s2, …, sp, s是从s出发的一条路径长度最短 的简单回路，假设从s到下一个城市s1已经求出，则 问题转化为求从s1到s的最短路径，显然s1, s2, …, sp, s 一定构成一条从s1到s的最短路径。
1．P={ }; 2．E'=E; //候选集合，初始时为图中所有边 3．循环直到集合P中包含n-1条边
3.1 在E'中选取最短边(u, v); 3.2 E'=E'-{(u, v)}; 3.3 如果 (顶点u和v在P中不连通 and 不产生分枝)
则P=P+{(u, v)};
在算法7.2中，如果操作“在E'中选取最短边 (u, v)”用顺序查找，则算法7.2的时间性能是 O(n2)，如果采用堆排序的方法将集合E'中的边 建立堆，则选取最短边的操作可以是O(log2n)， 对于两个顶点是否连通以及是否会产生分枝，可
d(0, {1, 2, 3})=min{c01+ d(1, { 2, 3}), c02+ d(2, {1, 3}), c03+ d(3, {1, 2})} =min{3+7, 6+10, 7+14}=10(0→1)
所以，从顶点0出发的TSP问题的最短路径长度为10，路径是 0→1→2→3→0。
动态规划法求解TSP问题的填表过程
算法7.1的时间性能为O(n2)，因为共进行n-1次贪心选择， 每一次选择都需要查找满足贪心条件的最短边。
用最近邻点贪心策略求解TSP问题所得的结果不一定是 最优解，图7.1(a)中从城市1出发的最优解是 1→2→5→4→3→1，总代价只有13。当图中顶点个数较多 并且各边的代价值分布比较均匀时，最近邻点策略可以给 出较好的近似解，不过，这个近似解以何种程度近似于最 优解，却难以保证。例如，在图7.1中，如果增大边(2, 1)的 代价，则总代价只好随之增加，没有选择的余地。
V'中各个顶点一次且仅一次，最后回到出发点i的最
短路径长度，开始时，V'＝V－{i}，于是，TSP问
题的动态规划函数为：
d(i,V')=min{cik+d(k,V－{k}) }(k∈V') （式6.5）
d(k,{ })=cki(k≠i)
（式6.6）
从城市0出发经城市1、2、3然后回到城市0的最短路径长度是： d(0,{1, 2, 3})=min{c01+d(1, { 2, 3}), c02+d(2, {1, 3}), c03+d(3, {1, 2})} 这是最后一个阶段的决策，而：
d(1, {2})= c12+d(2, {}) d(2, {3})=c23+d(3, {}) d(3, {2})= c32+d(2, {}) d(1, {3})= c13+d(3, {}) d(2, {1})=c21+d(1, {}) d(3, {1})=c31+d(1, {}) 而下式可以直接获得（括号中是该决策引起的状态转移）： d(1, {})=c10=5(1→0) d(2, {})=c20=6(2→0) d(3, {})=c30=3(3→0)
假设n个顶点用0～n-1的数字编号，首先生成1～n-1个元素的 子集存放在数组V[2n-1]中，设数组d[n][2n-1]存放迭代结果，其 中d[i][j]表示从顶点i经过子集V[j]中的顶点一次且仅一次，最 后回到出发点0的最短路径长度。
tsp的名词解释
tsp的名词解释TSP，全称为Traveling Salesman Problem，即旅行推销员问题，是一种经典的组合优化问题。
它的提出源于实际销售业务中的需要，也是计算机科学与运筹学中重要的研究对象。
TSP的目标是，在给定一系列城市和计算城市之间的距离的情况下，找到一条最短路径，使得推销员能够访问每个城市一次，最后回到起始城市。
TSP的解决方法解决TSP问题的方法有很多，其中一种经典的方法是穷举法，也称为暴力搜索算法。
穷举法的思想是通过遍历所有可能的路径来寻找最优解。
然而，随着城市数量的增加，路径的组合呈指数级增长，使得穷举法的计算复杂度非常高。
因此，通常需要借助其他启发式算法和优化技术来求解。
除了穷举法，另一种常见的求解TSP的方法是基于贪婪算法的近似解法。
贪婪算法的思想是每次选择距离当前位置最近的未访问城市作为下一个目的地，直到所有城市都被访问过。
然而，贪婪算法只能得到一个较优解，而非最优解。
为了提高解的质量，可以结合其他优化技术，如局部搜索和模拟退火算法。
TSP的应用领域TSP在实际应用中有着广泛的应用领域，尤其在物流领域。
例如，快递员在派送货物时需要找到最佳路线，以节省时间和资源。
通过对TSP的研究和应用，可以帮助快递公司提高派送效率，减少成本。
除了物流领域，TSP也在其他领域中发挥着重要的作用。
在电路设计中，TSP 可以用于确定最佳元件的布局顺序，以减少信号传输的距离和延迟。
在生物学研究中，TSP被用于解决DNA测序的问题，以确定最佳的读取顺序。
此外，TSP还有在机器人路径规划、旅游规划等领域中的应用。
TSP的挑战和发展尽管TSP已经成为组合优化问题中的经典问题之一，但它仍然存在着许多挑战和待解决的问题。
随着数据规模的增大和实际问题的复杂性的增加，如何求解更大规模、更复杂的TSP问题仍然是一个挑战。
目前，学者们正在不断探索和研究改进TSP求解算法的方法，以提高求解效率和解的质量。
除了算法的改进，近年来，一些新的技术也被应用到TSP的求解中。
TSP的几种求解方法及其优缺点
TSP的几种求解方法及其优缺点一、什么是TSP问题旅行商问题，简称TSP，即给定n个城市和两两城市之间的距离，要求确定一条经过各城市当且仅当一次的最短路线。
其图论描述为：给定图G=（V，A），其中V为顶点集，A 为各顶点相互连接组成的边集，设D=（dij）是由顶点i和顶点j之间的距离所组成的距离矩阵，要求确定一条长度最短的Hamilton回路，即遍历所有顶点当且仅当一次的最短距离。
旅行商问题可分为如下两类：1）对称旅行商问题（dij=dji，Πi，j=1，2，3，⋯，n）；2）非对称旅行商问题（dij≠dji，ϖi，j=1，2，3，⋯，n）。
非对称旅行商问题较难求解，我们一般是探讨对称旅行商问题的求解。
若对于城市V={v1，v2，v3，⋯，v n}的一个访问顺序为T={t1，t2，t3，⋯，t i，⋯，t n}，其中t i∈V（i=1，2，3，⋯，n），且记t n+1=t1，则旅行商问题的数学模型为：minL=。
TSP是一个典型的组合优化问题，并且是一个NP完全难题，是诸多领域内出现的多种复杂问题的集中概括和简化形式，并且已成为各种启发式的搜索、优化算法的间接比较标准。
因此，快速、有效地解决TSP有着重要的理论价值和极高的实际应用价值。
二、主要求解方法基于TSP的问题特性，构造型算法成为最先开发的求解算法，如最近邻点、最近合并、最近插入、最远插入、最近添加、贪婪插入等。
但是，由于构造型算法优化质量较差，迄今为止已开发了许多性能较好的改进型搜索算法，主要有：1）模拟退火算法2）禁忌搜索算法3）Hopfield神经网络优化算法4）蚁群算法5）遗传算法6）混合优化策略2.1 模拟退火算法方法1）编码选择：采用描述TSP解的最常用的一种策略——路径编码。
2）SA状态产生函数的设计：对于基于路径编码的SA状态产生函数操作，可将其设计为：①互换操作（SWAP）；②逆序操作（INV）；③插入操作（INS）。
3）SA状态接受函数的设计：min{1，exp（-△/t）}>random[0，1]准则是作为接受新状态的条件最常用的方案，其中△为新旧状态的目标值差，t为”温度”。
旅行商问题(TSP)
iS jS
除起点和终点外，各边不构成圈
xij
0, 1
(7 1) (7 2) (7 3)
5
0 8 5 9 12 14 12 16 17 22
8
0
9 15 17
8
11
18
14
22
5 9 0 7 9 11 7 12 12 17
9 15 7 0
lingo解决旅行商问题 model: sets: city/1..6/:u; link(city,city):dist,x; endsets data: dist=99999,702,454,842,2396,1196,
702,99999,324,1093,2136,764, 454,324,99999,1137,2180,798, 842,1093,1137,99999,1616,1857, 2396,2136,2180,1616,99999,2900, 1196,764,798,1857,2900,99999; enddata
C=v1,v2,…,vi,vj,…,vj-1,vi+1,vj+1,…,vm,v1 （3）C0C,重复步骤（2），直到条件不满足为止，最后得 到的C即为所求。
例对下图的K6,用二边逐次修正法求较优H圈.
较优H圈: 其权为W(C3)=192
分析: 这个解的近似程度可用最优H圈的权的下界与
其比较而得出.即利用最小生成树可得最优H圈的一个下界.
设C是G的一个最优H圈，则对G的任一顶点v, C-v是
G-v的生成树.如果T是G-v的最小生成树,且e1是e2与v关联
的边中权最小的两条边,则w(T)+w(e1)+w(e2)将是w(C)
邮递员问题
邮递员问题简介邮递员问题（Travelling Salesman Problem，TSP）是一个著名的组合优化问题，被称为计算机科学中的经典问题之一。
该问题起源于邮递员在一天内送货的最短路径问题。
邮递员需要从一个起点出发，经过所有的目标点，最后回到起点。
问题的目标是找到一条最短的路径，使得所有目标点都被访问，同时回到起点。
TSP问题涉及到组合爆炸，通常在计算上是NP难的。
问题描述给定一个有向图和一个起点，邮递员需要从起点出发经过所有的节点，最后回到起点。
每条边的权重表示从一个节点到另一个节点的距离。
找到一条最短路径，使得所有的节点都被访问且回到起点。
解决方法1. 枚举法枚举法是最简单的解决TSP问题的方法。
它通过遍历所有可能的路径，计算每条路径的总长度，并返回最短路径的长度和路径本身。
然而，由于TSP问题是NP难的，当图的规模增加时，枚举法的计算复杂度呈指数增长，很难在合理的时间内求解。
2. 动态规划法动态规划法是解决TSP问题的常用方法之一。
该方法通过将问题划分为子问题，并使用递归的方式求解。
具体而言，我们可以定义一个状态数组dp，其中dp[S][i]表示从起点到节点i，经过节点集合S中的所有节点，最后回到起点的最短路径长度。
那么，我们可以使用如下的递推关系来计算dp数组：dp[S][i] = min(dp[S-{i}][j] + dis(j, i))，其中j∈S，j≠i通过不断更新dp数组，最终可以得到从起点出发经过所有节点并回到起点的最短路径长度。
3. 遗传算法遗传算法是一种启发式优化算法，被广泛应用于解决TSP问题。
它模拟生物进化的过程，通过基因交叉、变异等操作，生成新的个体，并通过评估函数对个体进行选择。
遗传算法的优点是能够在较短的时间内找到接近最优解的解，但不能保证找到全局最优解。
4. 改进算法针对TSP问题，还有一些改进的算法，如蚁群算法、模拟退火算法、禁忌搜索等。
这些算法在不同的问题实例上可能会有更好的表现。
TSP问题模型
一、问题描述TSP ，即Traveling Saleman Problem ，也就是旅行商问题，又译为旅行推销员问题、货郎担问题，简称为TSP 问题，是最基本的路线问题。
TSP 的历史很久，最早的描述是1759年欧拉研究的骑士周游问题，即对于国际象棋棋盘中的64个方格，走访64个方格一次且仅一次，并且最终返回到起始点。
TSP 问题指一个旅行商，n 个城市。
旅行商要从这一个出发地出发，择一条路径（哈密顿回路），对n 个城市中的每一个城市进行一次且仅一次的访问，最后回到出发地.其目标是得到所有可行路径之中的最小路径，或旅行时间最短，或旅行费用最少等。
如图1，图2所示，为一个5个城市的TSP 问题描述（仅画出两种方案），显然图1和图2的路线都满足遍及所有城市的要求，但是图2的路线长度要远小于图1的路线长度，而解TSP 问题的目的就是求出遍及所有城市的长度最短的路线方案。
该问题的模型可以表示为下述0/1整数规划模型：2 4 1 图13 5 1 24 35 图2{}(,j)A {:(,)}{j:(,)}{(,):,}min(1)..1(2)1(3)||12|U |||2(4)0,1ij ij i ij i i j A ij i j A ij i j A i U j U ij c x st x j Vx i Vx U V x ∈∈∈∈∈∈=∈=∈≤-≤≤-∈∑∑∑∑n ：所要访问的城市数目。
V ：所有访问的城市集。
.U ：所有访问的城市集的真子集，即V U ⊂。
A ：连接任意两个点的弧组成的集合。
()j i ：所要访问的第()j i 个城市，即V j i ∈,。
ij c ：相邻两个城市间距离。
如果 j i =，则0=ij c 。
()⎩⎨⎧=其他城市城市后紧接着访问如果访问01,j i j i X二、总结和展望禁忌搜索算法是对人类思维过程本身的一种模拟，其特点是采用了禁忌技术，它通过对一些局部最优解的禁忌达到接纳一部分较差解，从而跳出局部搜索的目的。
回溯法旅行商问题（TSP问题）
回溯法旅⾏商问题（TSP问题）学习链接：、今天早上做了⽆数个梦，然后被紧紧地吸附在床上。
挣扎⼀番后爬起来，已经是9点了。
然后我开始研究旅⾏商问题。
在⼀个⽆向图中找到⼀个可以遍历所有节点的⼀个最短回路。
理论上说可以⽤全排列列出所有解的下标，然后⼀个⼀个试，时间复杂度o(n!)。
但是可以⽤回溯法，⽤【约束函数】（constraint）判断当前路径是否连通，⽤【界限函数】（bound）判断当前路径是否⽐已经求得的最短路径⼩。
这两个判断任意⼀个不符，则做“剪枝操作”（不再对后续节点进⾏遍历）。
可以看出回溯法⽐穷举要⾼明的多。
这个回溯法和⼋皇后问题也有⼀些区别。
TSP问题需要构造⼀棵排列树：根节点为｛０｝第⼀层｛０,１｝第⼆层｛０,１,２｝，｛０,２,１｝第三层｛０,１,２,３｝，｛０,１,３,２｝，｛０,２,１,３｝，｛０,２,３,１｝，｛０,３,１,２｝，｛０,３,２,１｝……并且回溯法要求对图进⾏ＤＦＳ操作，即深度优先搜索。
因为需要⾸先⾸次找到最深处的节点，才能设置当前最优解，好让后续问题能有参考。
Java代码：1public class Main {23public static void main(String[] args) {4int[][] adjMatrix={5 {0,20,6,4},6 {20,0,5,10},7 {6,5,0,15},8 {4,10,15,0},9 };10 TSP problem=new TSP(adjMatrix);111213 }14 }1516class TSP{17int vexnum=0;//顶点数⽬18int adjMatrix[][];19 TSP(int[][] adjMat){20 adjMatrix=adjMat;21 vexnum=adjMatrix.length;22int init[]={0};23 Backtrack(1,init);24int a;25 a=0;26 }27int bestCost=0;28int[] bestX;//最优解向量29boolean isTraverseDeep=false;30//回溯法递归31//初始x：[0]32void Backtrack(int t,int[] x){//对顶点t进⾏操作，⽗结点的解向量是x，33if(t>=vexnum){//解向量的第⼀个元素应该是初始顶点，如0，最后⼀个元素也是034 x[t]=0;//最后⼀个节点赋值：0。
TSP问题
TSP（旅行商）问题
旅行商问题，即TSP问题(Travelling Salesman Problem)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NP计算复杂性。
因此，任何能使该问题的求解得以简化的方法，都将受到高度的评价和关注。
旅行推销员问题是数图论中最著名的问题之一，即“已给一个n个点的完全图，每条边都有一个长度，求总长度最短的经过每个顶点正好一次的封闭回路”。
Edmonds，Cook和Karp 等人发现，这批难题有一个值得注意的性质，对其中一个问题存在有效算法时，每个问题都会有有效算法。
迄今为止，这类问题中没有一个找到有效算法。
倾向于接受NP完全问题(NP-Complete或NPC)和NP难题(NP-Hard或NPH)不存在有效算法这一猜想，认为这类问题的大型实例不能用精确算法求解，必须寻求这类问题的有效的近似算法。
此类问题中，经典的还有子集和问题;；Hamilton回路问题；最大团问题。
TSP的几种求解方法及其优缺点
v1.0 可编辑可修改TSP的几种求解方法及其优缺点一、什么是TSP问题旅行商问题，简称TSP，即给定n个城市和两两城市之间的距离，要求确定一条经过各城市当且仅当一次的最短路线。
其图论描述为：给定图G=（V，A），其中V为顶点集，A为各顶点相互连接组成的边集，设D=（dij）是由顶点i和顶点j之间的距离所组成的距离矩阵，要求确定一条长度最短的Hamilton回路，即遍历所有顶点当且仅当一次的最短距离。
旅行商问题可分为如下两类：1）对称旅行商问题（dij=dji，Πi，j=1，2，3，⋯，n）；2）非对称旅行商问题（dij≠dji，ϖi，j=1，2，3，⋯，n）。
非对称旅行商问题较难求解，我们一般是探讨对称旅行商问题的求解。
若对于城市V={v1，v2，v3，⋯，v n}的一个访问顺序为T={t1，t2，t3，⋯，t i，⋯，t n}，其中t i∈V（i=1，2，3，⋯，n），且记t n+1=t1，则旅行商问题的数学模型为：minL=。
TSP是一个典型的组合优化问题，并且是一个NP完全难题，是诸多领域内出现的多种复杂问题的集中概括和简化形式，并且已成为各种启发式的搜索、优化算法的间接比较标准。
因此，快速、有效地解决TSP有着重要的理论价值和极高的实际应用价值。
二、主要求解方法基于TSP的问题特性，构造型算法成为最先开发的求解算法，如最近邻点、最近合并、最近插入、最远插入、最近添加、贪婪插入等。
但是，由于构造型算法优化质量较差，迄今为止已开发了许多性能较好的改进型搜索算法，主要有：1）模拟退火算法2）禁忌搜索算法3）Hopfield神经网络优化算法4）蚁群算法5）遗传算法6）混合优化策略模拟退火算法方法1）编码选择：采用描述TSP解的最常用的一种策略——路径编码。
2）SA状态产生函数的设计：对于基于路径编码的SA状态产生函数操作，可将其设计为：①互换操作（SWAP）；②逆序操作（INV）；③插入操作（INS）。
TSP的几种求解方法及其优缺点
TSP的几种求解方法及其优缺点一、什么是TSP问题旅行商问题，简称TSP，即给定n个城市和两两城市之间的距离，要求确定一条经过各城市当且仅当一次的最短路线。
其图论描述为：给定图G=（V，A），其中V为顶点集，A为各顶点相互连接组成的边集，设D=（dij）是由顶点i和顶点j之间的距离所组成的距离矩阵，要求确定一条长度最短的Hamilton回路，即遍历所有顶点当且仅当一次的最短距离。
旅行商问题可分为如下两类：1）对称旅行商问题（dij=dji，Πi，j=1，2，3，?，n）；2）非对称旅行商问题（dij≠dji，?i，j=1，2，3，?，n）。
非对称旅行商问题较难求解，我们一般是探讨对称旅行商问题的求解。
若对于城市V={v1，v2，v3，?，v n}的一个访问顺序为T={t1，t2，t3，?，t i，?，t n}，其中t i∈V（i=1，2，3，?，n），且记t n+1=t1，则旅行商问题的数学模型为：minL=。
TSP是一个典型的组合优化问题，并且是一个NP完全难题，是诸多领域内出现的多种复杂问题的集中概括和简化形式，并且已成为各种启发式的搜索、优化算法的间接比较标准。
因此，快速、有效地解决TSP有着重要的理论价值和极高的实际应用价值。
二、主要求解方法基于TSP的问题特性，构造型算法成为最先开发的求解算法，如最近邻点、最近合并、最近插入、最远插入、最近添加、贪婪插入等。
但是，由于构造型算法优化质量较差，迄今为止已开发了许多性能较好的改进型搜索算法，主要有：1）模拟退火算法2）禁忌搜索算法3）Hopfield神经网络优化算法4）蚁群算法5）遗传算法6）混合优化策略模拟退火算法方法1）编码选择：采用描述TSP解的最常用的一种策略——路径编码。
2）SA状态产生函数的设计：对于基于路径编码的SA状态产生函数操作，可将其设计为：①互换操作（SWAP）；②逆序操作（INV）；③插入操作（INS）。
3）SA状态接受函数的设计：min{1，exp（-△/t）}>random[0，1]准则是作为接受新状态的条件最常用的方案，其中△为新旧状态的目标值差，t为”温度”。
TSP的几种求解方法及其优缺点
TSP的几种求解方法及其优缺点一、什么是TSP问题旅行商问题，简称TSP，即给定n个城市和两两城市之间的距离，要求确定一条经过各城市当且仅当一次的最短路线。
其图论描述为：给定图G=（V，A），其中V为顶点集，A 为各顶点相互连接组成的边集，设D=（dij）是由顶点i和顶点j之间的距离所组成的距离矩阵，要求确定一条长度最短的Hamilton回路，即遍历所有顶点当且仅当一次的最短距离。
旅行商问题可分为如下两类：1）对称旅行商问题（dij=dji，Πi，j=1，2，3，⋯，n）；2）非对称旅行商问题（dij≠dji，ϖi，j=1，2，3，⋯，n）。
非对称旅行商问题较难求解，我们一般是探讨对称旅行商问题的求解。
若对于城市V={v1，v2，v3，⋯，v n}的一个访问顺序为T={t1，t2，t3，⋯，t i，⋯，t n}，其中t i∈V（i=1，2，3，⋯，n），且记t n+1=t1，则旅行商问题的数学模型为：minL=。
TSP是一个典型的组合优化问题，并且是一个NP完全难题，是诸多领域内出现的多种复杂问题的集中概括和简化形式，并且已成为各种启发式的搜索、优化算法的间接比较标准。
因此，快速、有效地解决TSP有着重要的理论价值和极高的实际应用价值。
二、主要求解方法基于TSP的问题特性，构造型算法成为最先开发的求解算法，如最近邻点、最近合并、最近插入、最远插入、最近添加、贪婪插入等。
但是，由于构造型算法优化质量较差，迄今为止已开发了许多性能较好的改进型搜索算法，主要有：1）模拟退火算法2）禁忌搜索算法3）Hopfield神经网络优化算法4）蚁群算法5）遗传算法6）混合优化策略2.1模拟退火算法方法1）编码选择：采用描述TSP解的最常用的一种策略——路径编码。
2）SA状态产生函数的设计：对于基于路径编码的SA状态产生函数操作，可将其设计为：①互换操作（SW AP）；②逆序操作（INV）；③插入操作（INS）。
3）SA状态接受函数的设计：min{1，exp（-△/t）}>random[0，1]准则是作为接受新状态的条件最常用的方案，其中△为新旧状态的目标值差，t为”温度”。