Python NetworkX greedy_tsp用法及代碼示例

返回從source 及其成本開始的低成本周期。

這近似於旅行商問題的解決方案。它找到一個推銷員可以訪問的所有節點的循環，以便訪問許多節點，同時最小化總距離。它使用一個簡單的貪心算法。本質上，這個函數返回一個給定源點的大循環，其中循環的總成本最小化。

參數：

G：圖形

該圖應該是一個完整的加權無向圖。應包括所有節點對之間的距離。

weight：字符串，可選(默認=”weight”)

邊權重對應的邊數據鍵。如果任何邊不具有此屬性，則權重設置為 1。

source：節點，可選(默認：列表(G)中的第一個節點)

起始節點。如果沒有，默認為next(iter(G))

返回：

cycle：節點列表

返回推銷員可以遵循的循環(節點列表)以最小化行程的總重量。

拋出：

NetworkXError

如果G 不完整，算法會引發異常。

注意：

貪心算法的這種實現基於以下內容：

• 該算法在每次迭代時向解決方案添加一個節點。
• 該算法選擇一個不在循環中的節點，其與前一個節點的連接為循環增加了最少的成本。

貪心算法並不總是給出最佳解決方案。但是，它可以構造第一個可行的解決方案，該解決方案可以作為參數傳遞給迭代改進算法，例如模擬退火或閾值接受。

時間複雜度：它有一個運行時間\(O(|V|^2)\)

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