https://github.com/hvlikk/pea_projects
Seria zadań projektowych z przedmiotu 'projektowanie efektywnych algorytmów'
https://github.com/hvlikk/pea_projects
branch-and-bound cpp genetic-algorithm simmulated-annealing
Last synced: 17 days ago
JSON representation
Seria zadań projektowych z przedmiotu 'projektowanie efektywnych algorytmów'
- Host: GitHub
- URL: https://github.com/hvlikk/pea_projects
- Owner: Hvlikk
- Created: 2025-04-22T20:51:47.000Z (about 1 year ago)
- Default Branch: master
- Last Pushed: 2025-04-22T21:01:43.000Z (about 1 year ago)
- Last Synced: 2025-04-22T22:20:03.528Z (about 1 year ago)
- Topics: branch-and-bound, cpp, genetic-algorithm, simmulated-annealing
- Language: C++
- Homepage:
- Size: 999 KB
- Stars: 0
- Watchers: 1
- Forks: 0
- Open Issues: 0
-
Metadata Files:
- Readme: README.md
Awesome Lists containing this project
README
# 🧠 Projekty TSP (Travelling Salesman Problem)
## 📌 Projekt 1 – Porównanie algorytmów przeszukiwania
Implementacja i porównanie trzech algorytmów rozwiązujących problem komiwojażera: brute-force, najbliższy sąsiad i przeszukiwanie losowe. Analiza jakości rozwiązań i czasu działania dla różnych rozmiarów instancji (symetrycznych i asymetrycznych).
## 📌 Projekt 2 – Branch & Bound dla TSP
Rozwiązanie problemu komiwojażera z użyciem metody podziału i ograniczeń (Branch & Bound) z różnymi strategiami przeszukiwania: wszerz, wgłąb i według najniższego kosztu. Skupienie na efektywnym ograniczaniu przestrzeni przeszukiwań i porównaniu strategii.
## 📌 Projekt 3 – Algorytm genetyczny dla TSP
Implementacja algorytmu genetycznego do rozwiązania problemu komiwojażera. Algorytm będzie wykorzystywał klasyczne operacje genetyczne, takie jak krzyżowanie, mutacja i selekcja. Celem projektu jest analiza wpływu różnych parametrów algorytmu (rozmiar populacji, współczynnik mutacji, liczba pokoleń) na jakość rozwiązania oraz czas działania. Badanie wydajności algorytmu na instancjach o różnym rozmiarze.
## 📌 Projekt 4 – Algorytm mrówkowy dla TSP
Rozwiązanie problemu komiwojażera z wykorzystaniem algorytmu mrówkowego (Ant Colony Optimization). Celem projektu jest zaimplementowanie algorytmu, który symuluje zachowanie kolonii mrówek w celu znalezienia optymalnej trasy. Analiza wpływu parametrów, takich jak liczba mrówek, tempo parowania feromonów oraz liczba iteracji, na jakość i czas obliczeń. Projekt obejmuje również porównanie wyników z innymi metodami heurystycznymi.