粒子群算法解决TSP问题的目标函数是什么

function main()clcclear allclose alltic%程序运行计时E0=0.001%允许误差MaxNum=100%粒子最大迭代次数narvs=1%目标函数的自变量个数particlesize=30%粒子群规模c1=2%每个粒子的个体学习因子，也称为加速常数c2=2%每个粒子

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 ， 是一个NPC问题，分为两类： 一类是对称TSP问题（Symmetric TSP），另一类是非对称问题（Asymmetric TSP）。

针对基本粒子群优化(basic particle swarm optimization,简称bPSO)算法容易陷入局部极值、进化后期的收敛速度慢和精度低等缺点,采用简化粒子群优化方程和添加极值扰动算子两种策 略加以改进,提出了简化粒子群优化(simple particle swarm optimization,简称sPSO)算法、带极值扰动粒子群优化(extremum disturbed particle swarm optimization,简称tPSO)算法和基于二者的带极值扰动的简化粒子群优化(extremum disturbed and simple particle swarm optimization,简称tsPSO)算法.sPSO去掉了PSO进化方程的粒子速度项而使原来的二阶微分方程简化为一阶微分方程,仅由粒子位置控 制进化过程,避免了由粒子速度项引起的粒子发散而导致后期收敛变慢和精度低问题.tPSO增加极值扰动算子可以加快粒子跳出局部极值点而继续优化.对几个 经典测试函数进行实验的结果表明,sPSO能够极大地提高收敛速度和精度tPSO能够有效摆脱局部极值点以上两种策略相结合,tsPSO以更小的种群 数和进化世代数获得了非常好的优化效果,从而使得PSO算法更加实

建议你在百度学术里面查询一些相关文档，对你写论文应该有帮助。

---