✅作者简介：热爱科研的Matlab仿真开发者，擅长数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。
🍎 往期回顾关注个人主页：Matlab科研工作室
👇 关注我领取海量matlab电子书和数学建模资料
🍊个人信条：格物致知,完整Matlab代码获取及仿真咨询内容私信
🔥 内容介绍
一、引言：TSP 问题 —— 旅行商的 “最优路径难题”
旅行商问题（Traveling Salesman Problem, TSP）是组合优化领域的经典 NP 难问题，核心诉求为：给定一系列城市及各城市间的距离，寻找一条经过所有城市恰好一次且最终回到起点的最短路径。小至物流配送路径规划、快递员派单优化，大至芯片布线、无人机巡检路线设计，TSP 问题的最优解都直接影响效率与成本。
传统求解方法（如穷举法、动态规划法）在城市数量增多时（如超过 20 个），计算量呈指数级增长，难以满足实际需求。而智能优化算法凭借 “全局搜索 + 局部寻优” 的特性，成为求解中大规模 TSP 问题的主流方案。本文将聚焦两种新型智能算法 —— 螳螂虾算法（Mantis Shrimp Optimization Algorithm, MShOA）和鱼鹰算法（Osprey Optimization Algorithm, OOA），详解其适配 TSP 问题的改造逻辑，并提供支持自定义城市经纬度的实现方案。
二、TSP 问题的数学建模与距离计算（支持自定义地区）
（一）数学建模
Image
三、核心算法原理：MShOA 与 OOA 的特性与改造
智能优化算法求解 TSP 问题的核心是将 “路径” 映射为 “算法个体”，通过模拟生物行为更新个体，逐步逼近最优路径。以下详解 MShOA 和 OOA 的原生特性及适配 TSP 的改造逻辑。
（一）螳螂虾算法（MShOA）：模拟攻击与蜕皮的双阶段搜索
原生算法灵感：模拟螳螂虾的两种核心行为 ——冲击攻击（高速冲击猎物，对应全局搜索）和蜕皮更新（褪去外壳生长，对应局部寻优），算法具有收敛速度快、全局搜索能力强的特点。
核心机制（原生）：
种群初始化：随机生成N个候选解（对应N条初始路径）；
冲击攻击阶段：螳螂虾向猎物（当前最优解）高速移动，更新位置以扩大搜索范围；
蜕皮更新阶段：对部分个体进行局部扰动，避免陷入局部最优；
适应度评估：以路径总长度为适应度值，值越小个体越优。
适配 TSP 的关键改造：
个体编码：采用 “整数排列编码”，每个个体为[1, 2, ..., n]的随机排列（数字代表城市编号），确保每个城市仅访问一次；
位置更新修正：原生算法的连续型位置更新公式不适用 TSP，需替换为路径重排操作（如插入、交换、逆序）：
冲击攻击阶段：对当前个体，随机选择最优个体的一段路径，插入到当前个体的对应位置（全局搜索）；
蜕皮更新阶段：对当前个体的某段路径进行逆序操作（局部寻优）。
（二）鱼鹰算法（OOA）：模拟捕鱼策略的多策略融合搜索
原生算法灵感：模拟鱼鹰的三种捕鱼行为 ——盘旋搜索（大范围寻找鱼群，对应全局搜索）、俯冲抓鱼（精准锁定目标，对应局部寻优）、水面拖拽（调整位置，对应种群多样性保持），算法擅长平衡搜索广度与深度。
核心机制（原生）：
种群初始化：生成N个候选解，计算适应度值；
盘旋搜索阶段：基于种群均值和随机因子更新位置，扩大搜索范围；
俯冲抓鱼阶段：向当前最优解快速收敛，提升局部寻优精度；
水面拖拽阶段：对部分较差个体进行随机扰动，避免种群早熟。
适配 TSP 的关键改造：
个体编码：与 MShOA 一致，采用整数排列编码；
位置更新修正：
盘旋搜索阶段：采用 “两点交换” 操作（随机交换个体中两个城市的位置），保持种群多样性；
俯冲抓鱼阶段：采用 “部分匹配交叉”（PMX）操作，结合当前个体与最优个体的优势路径，生成新路径；
水面拖拽阶段：对适应度较差的个体，进行 “三段逆序” 操作（随机选择三段路径并逆序），重新激活搜索能力。
⛳️ 运行结果
Image
Image
Image
📣 部分代码
🔗 参考文献
🎈 部分理论引用网络文献，若有侵权联系博主删除
🏆团队擅长辅导定制多种科研领域MATLAB仿真，助力科研梦：
