Привет! Как поставщик TSP (триполифосфат), меня часто спрашивают о том, как реализовать алгоритмы TSP в Python. Это довольно крутая тема, и я рад поделиться с вами своими знаниями.
Что такое TSP?
Во -первых, давайте быстро рассмотрим, что такое проблема с продавцом (TSP). Представьте, что вы продавец, которому нужно посетить кучу городов. Вы хотите найти максимально короткий маршрут, который посещает каждый город ровно один раз, а затем возвращается в стартовый город. Это может звучать просто, но по мере роста количества городов, поиск оптимального решения становится реальной головой - царапина. Вот где входят алгоритмы TSP.
Почему Python?
Python - это потрясающий язык для внедрения алгоритмов TSP. Его очень легко выучить, имеет кучу доступных библиотек, и он может справиться с сложными вычислениями без слишком много хлопот. Являетесь ли вы новичком или опытным кодером, Python делает его относительно простым, чтобы испачкать руки с помощью алгоритмов TSP.
Внедрение наивного подхода
Самый простой способ решения TSP - это наивный подход. В этом методе мы генерируем все возможные перестановки городов и рассчитываем общее расстояние для каждой перестановки. Тогда мы просто выбираем тот, что с кратчайшим расстоянием.
Вот простой фрагмент кода Python, чтобы проиллюстрировать наивный подход:
Импортируйте иртоульс DEF DIST DISTAIN (CITY1, CITY2): # Здесь вы рассчитаете фактическое расстояние между двумя городами # для простоты, давайте предположим List (itertools.permutations (города)) min_distance = float ('inf') best_route = none для маршрута в All_permutations: total_distance = 0 для I в диапазоне (Len (маршрут) - 1): total_distance += расстояние (маршрут [i], маршрут [i +1]) <min_distance: min_distance = total_distance best_route = return route min_distance, best_route # пример использования городов = [(0, 0), (1, 5), (2, 3)] min_dist, best_route = tsp_naive (города) Печать (f » - минимум дистанция {min_diste} и Best route {best} {best} {best} {best} {best} {best}}}} {best}}} {best}}}} {best}}} и Best Broute.Проблема с наивным подходом заключается в том, что у него есть временная сложность O (n!), Где n - количество городов. Это означает, что по мере увеличения количества городов алгоритм становится чрезвычайно медленным.
Использование ближайшего алгоритма соседа
Алгоритм ближайшего соседа представляет собой жадный алгоритм, который обеспечивает быстрое, но не всегда оптимальное решение. Он начинается в случайном городе, а затем неоднократно посещает ближайший невидимый город, пока не будут посещены все города. Наконец, он возвращается в стартовый город.
def tsp_nearest_neighbor (города): current_city = города [0] unvisited = set (города [1:]) route = [current_city], в то время как без заведенного alest_city route.append (города [0]) # Вернитесь в стартовый город total_distance = 0 для i в диапазоне (Len (маршрут) - 1): total_distance += расстояние (маршрут [i], маршрут [i +1]) return_distance, маршрут # Пример города = [(0, 0), (1, 5), (2, 3)]] min_dist, best_rate steee stee. tsp_nearest_neighbor (города) print (f "Минимальное расстояние - {min_dist}, а лучший маршрут - {best_route}")Алгоритм ближайшего соседа обладает временной сложностью O (n^2), которая намного лучше, чем наивный подход для большего количества городов. Однако это не всегда дает оптимальное решение.
Подход динамического программирования
Динамическое программирование может использоваться для более эффективного решения TSP для меньших размеров проблем. Основная идея состоит в том, чтобы разбить проблему на более мелкие задачи и сохранить решения этих задач, чтобы избежать избыточных вычислений.
из Functools Import LRU_CACHE @LRU_CACHE (maxSize = ne) def tsp_dp (mask, pos, dist_matrix): num_cities = len (dist_matrix) if mask == (1 << num_cities) - 1: return dist_matrix [pos] [0] ans = float ('inf') для next_city in never_c.c. (1 << next_city)) == 0: new_mask = mask | (1 << next_city) new_cost = dist_matrix [pos] [next_city]+tsp_dp (new_mask, next_city, dist_matrix) ans = min (ans, new_cost) вернуть ans # Пример использования городов = [0, 0), (1, 5), (2, 3)]] dist_matrix = [дистанция1), (1, 5), (2, 3)]]]. City1 в городах] min_dist = tsp_dp (1, 0, tuple (map (tuple, dist_matrix))) print (f "Минимальное расстояние {min_dist}")Подход динамического программирования имеет временную сложность O (n^2 * 2^n), что лучше наивного подхода, но все же не подходит для очень большого количества городов.
Наши продукты TSP
Как поставщик TSP, мы предлагаем широкий спектр качественных продуктов. Например, у нас естьТриполифосфат натрия 95% STPP пищевой класс в качестве агента задержания водыПолем Этот продукт широко используется в пищевой промышленности в качестве агента по удержанию воды, помогая сохранять пищу свежей и влажной.
У нас также естьМонопотассий фосфатный пищевой ингредиент MKP Mono Colasm PhosphateПолем Это важный пищевой ингредиент, который можно использовать в различных приложениях для продовольствия.
И нашЛучший продавец фосфата (DSP) пищевой степени NA2HPO4 DSPявляется лучшим продавцом, известным своим высоким качеством и эффективностью в пищевой переработке.
Завершая
Реализация алгоритмов TSP в Python может быть веселым и полезным опытом. Независимо от того, используете ли вы наивный подход, алгоритм ближайшего соседа или динамическое программирование, каждый метод имеет свои плюсы и минусы. По мере увеличения количества городов вам необходимо выбрать алгоритм, который наилучшим образом соответствует вашим потребностям как с точки зрения сложности времени, так и оптимальности решения.
Если вы заинтересованы в наших продуктах TSP или у вас есть какие -либо вопросы об алгоритмах TSP, не стесняйтесь обратиться. Мы всегда рады помочь с вашим TSP - связанными потребностями и обсудить потенциальные возможности для бизнеса.
Ссылки
- Cormen, TH, Leison, CE, Rivest, RL, & Stein, C. (2009). Введение в алгоритмы. С прессой.
- Skiena, SS (2020). Руководство по дизайну алгоритма. Спрингер.