一、金豺优化算法GJO

金豺优化算法（Golden jackal optimization，GJO）是由Nitish Chopra等人于2022年提出的一种新的元启发式算法，该算法是一种模仿金豺的合作狩猎行为的新型智能优化算法。GJO算法包括三个基本步骤是搜索猎物、包围猎物和攻击猎物。

参考文献：Nc A , Mma B . Golden Jackal Optimization: A Novel Nature-Inspired Optimizer for Engineering Applications. 2022.

二、旅行商问题

三、金豺优化算法GJO求解旅行商问题

close all
clear
clc
%数据集参考文献  REINELT G.TSPLIB-a traveling salesman problem[J].ORSA Journal on Computing,1991,3(4):267-384.
global data
load('data.txt')%导入TSP数据集bayg29


Dim=size(data,1)-1;%维度
lb=-100;%下界
ub=100;%上界
fobj=@Fun;%计算总距离
SearchAgents_no=100; % 种群大小（可以修改）
Max_iteration=15000; % 最大迭代次数（可以修改）
[bestX,fMin,curve]=GJO(SearchAgents_no,Max_iteration,lb,ub,Dim,fobj);  %Artificial Rabbits Optimization (ARO)人工兔优化算法

部分结果：

算法得到的路径：1 > 21 > 2 > 29 > 3 > 26 > 5 > 9 > 12 > 6 > 28 > 8 > 24 > 16 > 27 > 23 > 7 > 25 > 19 > 11 > 22 > 17 > 14 > 18 > 15 > 4 > 20 > 10 > 13 > 1

算法求解的总路径总长:9367.9

四、参考代码