Heim > Artikel > Backend-Entwicklung > Beispiele zur Erläuterung der Python-Lösung für das Traveling Salesman Problem (TSP) basierend auf der Backtracking-Subset-Tree-Vorlage
In diesem Artikel wird hauptsächlich Python zur Lösung des Problems des Handlungsreisenden (TSP) basierend auf der Teilmengenbaumvorlage der Backtracking-Methode vorgestellt. Er beschreibt kurz das Problem des Handlungsreisenden und analysiert die zugehörige Implementierung von Python mithilfe der Teilmengenbaumvorlage der Backtracking-Methode Schritte und Bedienungstipps finden Freunde in Not unter
Dieser Artikel beschreibt ein Beispiel für die Lösung des Travelling-Salesman-Problems (TSP) in Python basierend auf der Backtracking-Subset-Tree-Vorlage . Teilen Sie es als Referenz mit allen. Die Einzelheiten lauten wie folgt:
Problem
Das Travelling Salesman Problem (TSP) ist das Problem von Reiseverkäufer reisen in mehrere Städte, die Kosten zwischen den einzelnen Städten sind bekannt. Um Kosten zu sparen, beschloss der Reiseverkäufer, in der Stadt, in der er sich befand, einmal zu reisen und dann in die ursprüngliche Stadt zurückzukehren fragte ihn, welche Route er wählen sollte, um alle Orte zu erreichen. Die kürzesten Gesamtkosten zu Fuß?
Analyse
Dieses Problem kann wie folgt beschrieben werden: G=(V,E) ist gewichtet Suchen Sie für einen gerichteten Graphen einen gerichteten Ring, der jeden Knoten in V enthält, d. h. eine Reiseroute, die die Summe der Kosten aller Kanten auf diesem gerichteten Ring minimiert.
Der Unterschied zwischen dieser Frage und dem vorherigen Artikel http://www.jb51.net/article/122933.htm besteht darin, dass es sich bei dieser Frage um ein gewichtetes Bild handelt. Eine kleine Änderung genügt.
Die Länge der Lösung ist fest n+1.
Jeder Knoten im Diagramm hat seinen eigenen Nachbarknoten. Für einen Knoten bilden alle benachbarten Knoten den Zustandsraum des Knotens. Wenn der Pfad diesen Knoten erreicht, wird sein Zustandsraum durchlaufen.
Am Ende wird sich bestimmt die optimale Lösung finden
Natürlich gilt weiterhin die Backtracking-Subset-Tree-Vorlage! ! !
Code
'''旅行商问题(Traveling Salesman Problem,TSP)''' # 用邻接表表示带权图 n = 5 # 节点数 a,b,c,d,e = range(n) # 节点名称 graph = [ {b:7, c:6, d:1, e:3}, {a:7, c:3, d:7, e:8}, {a:6, b:3, d:12, e:11}, {a:1, b:7, c:12, e:2}, {a:3, b:8, c:11, d:2} ] x = [0]*(n+1) # 一个解(n+1元数组,长度固定) X = [] # 一组解 best_x = [0]*(n+1) # 已找到的最佳解(路径) min_cost = 0 # 最小旅费 # 冲突检测 def conflict(k): global n,graph,x,best_x,min_cost # 第k个节点,是否前面已经走过 if k < n and x[k] in x[:k]: return True # 回到出发节点 if k == n and x[k] != x[0]: return True # 前面部分解的旅费之和超出已经找到的最小总旅费 cost = sum([graph[node1][node2] for node1,node2 in zip(x[:k], x[1:k+1])]) if 0 < min_cost < cost: return True return False # 无冲突 # 旅行商问题(TSP) def tsp(k): # 到达(解x的)第k个节点 global n,a,b,c,d,e,graph,x,X,min_cost,best_x if k > n: # 解的长度超出,已走遍n+1个节点 (若不回到出发节点,则 k==n) cost = sum([graph[node1][node2] for node1,node2 in zip(x[:-1], x[1:])]) # 计算总旅费 if min_cost == 0 or cost < min_cost: best_x = x[:] min_cost = cost #print(x) else: for node in graph[x[k-1]]: # 遍历节点x[k-1]的邻接节点(状态空间) x[k] = node if not conflict(k): # 剪枝 tsp(k+1) # 测试 x[0] = c # 出发节点:路径x的第一个节点(随便哪个) tsp(1) # 开始处理解x中的第2个节点 print(best_x) print(min_cost)
Rendering
Das obige ist der detaillierte Inhalt vonBeispiele zur Erläuterung der Python-Lösung für das Traveling Salesman Problem (TSP) basierend auf der Backtracking-Subset-Tree-Vorlage. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!