Python NetworkX greedy_tsp用法及代码示例

返回从source 及其成本开始的低成本周期。

这近似于旅行商问题的解决方案。它找到一个推销员可以访问的所有节点的循环，以便访问许多节点，同时最小化总距离。它使用一个简单的贪心算法。本质上，这个函数返回一个给定源点的大循环，其中循环的总成本最小化。

参数：

G：图形

该图应该是一个完整的加权无向图。应包括所有节点对之间的距离。

weight：字符串，可选(默认=”weight”)

边权重对应的边数据键。如果任何边不具有此属性，则权重设置为 1。

source：节点，可选(默认：列表(G)中的第一个节点)

起始节点。如果没有，默认为next(iter(G))

返回：

cycle：节点列表

返回推销员可以遵循的循环(节点列表)以最小化行程的总重量。

抛出：

NetworkXError

如果G 不完整，算法会引发异常。

注意：

贪心算法的这种实现基于以下内容：

• 该算法在每次迭代时向解决方案添加一个节点。
• 该算法选择一个不在循环中的节点，其与前一个节点的连接为循环增加了最少的成本。

贪心算法并不总是给出最佳解决方案。但是，它可以构造第一个可行的解决方案，该解决方案可以作为参数传递给迭代改进算法，例如模拟退火或阈值接受。

时间复杂度：它有一个运行时间\(O(|V|^2)\)

例子：

>>> from networkx.algorithms import approximation as approx
>>> G = nx.DiGraph()
>>> G.add_weighted_edges_from({
...     ("A", "B", 3), ("A", "C", 17), ("A", "D", 14), ("B", "A", 3),
...     ("B", "C", 12), ("B", "D", 16), ("C", "A", 13),("C", "B", 12),
...     ("C", "D", 4), ("D", "A", 14), ("D", "B", 15), ("D", "C", 2)
... })
>>> cycle = approx.greedy_tsp(G, source="D")
>>> cost = sum(G[n][nbr]["weight"] for n, nbr in nx.utils.pairwise(cycle))
>>> cycle
['D', 'C', 'B', 'A', 'D']
>>> cost
31