干货|十分钟教您使用动态编程算法解决旅行推销员问题(TSP),附代码 ......
乍一看标题,大家是不是觉得“动态规划”这四个字组合在一起有点眼熟?似乎哪会儿学过来着……但是吧,细细一琢磨,又忘了它具体是什么、怎么用、用来解决哪些问题了。
莫方,小编出现就是为了解决大家一切在学(zhuang)习(bi)上的需求的。动态规划忘了是吧,那今天小编就陪你好好回忆一下。
什么是TSP和动态规划
简单来说,Travelling Salesman Problem (TSP) 是最基本的路线问题。它寻求的是旅行者由起点出发,通过所有给定的需求点后,再次返回起点所花费的最小路径成本,也叫旅行商问题、旅行推销员问题、货郎担问题……
当然,如果你非要把TSP理解成“内容服务提供者”(Telematics Service Provider)小编也不会打你……计算机网络学得不错啊,四级过了吗?
说完TSP问题,咱们再来聊聊什么是动态规划。
动态规划算法(Dynamic Programming,简称DP)通常用于求解具有某种最优性质的问题,其基本思想是将待求解问题分解成若干个子问题,先求解子问题,然后由这些子问题的解再得到原问题的解。
看到这里想必你已经明白了,动态规划恰是一种求解TSP问题的好方法,具体如何求解,我们可以举例实操一下。
实例操作
假设现在有四个城市,它们分别是0,1,2,3,他们之间往来的代价如下图所示:
为了方便起见,我们把它化成二维表的形式:
好了这里要敲黑板划横线了!现在,我们要从城市0出发,期间1,2,3每个城市都必须经过并且只能经过一次,最后回到0,使得路上花费的代价最小。请问你要怎么走?
事实上,这是一个最基本的TSP问题,且构成最优子结构性质,所以可以使用动态规划求解,下面来验证一下此方法求解的可行性。
设 s,s1,s2…s为满足题意的最短回路。假设从s到s1的路径已经确定,则问题转化为从s1到s的最短路径问题。而很显然,s1,s2…s一定可以构成一条最短路径,所以构成最优子结构性质,可以用动态规划求解。
明确问题可解,那下一步就是列方程求解了。
简单推导一下动态规划方程
用 V’ 表示一个点的集合,假设从顶点 s 出发, d ( i , V’ ) 表示当前到达顶点 i,经过 V’ 集合中所有顶点一次的最小花费。
① 当 V’ 为仅包含起点的集合,也就是:
d ( s , { s } ) = 0 ;
② 其他情况,则对子问题求最优解。需在 V’ 这个城市集合中,尝试每一个城市结点,并求出最优解。
③ 最后的求解方式为:
其中 S 为包含所有点的集合。
把公式一套,题就解了。是不是很简单?但是,小编还有更简单的方法。
其实,绝大部分TSP问题都比例子中复杂许多,用程序求解是更好的选择。在这里小编给大家提供一种较为简单的方法,只要把动态规划算法原理掌握好了,代码自然就不难理解了。
用代码前,你需要做哪些准备?
理解状态压缩DP
所谓状态压缩,就是利用二进制以及位运算来实现对于本来应该很大的数组的操作。而求解动态规划问题,很重要的一环就是状态的表示,一般来说,一个数组即可保存状态。但是有这样的一些题目,它们具有DP问题的特性,但是状态中所包含的信息过多,如果要用数组来保存状态的话需要四维以上的数组。于是,我们就需要通过状态压缩来保存状态,而使用状态压缩来保存状态的DP就叫做状态压缩DP。
例题TSP的动态规划方程中,V’ 是一个集合,而对于集合的状态表示最简单的办法就是利用C++中STL里的set,但是这个时候就要考虑一个问题,在代码实现的时候,我们不能用一个集合去做一个数组的下标。自然而然,我们想到可以利用集合的特征值,但这个方法很复杂,而且不容易实现。
小编在这里给大家普及一下位运算的知识。最简单的与(and),或 ( or ),非 ( not ), 大家都很熟悉,和逻辑电路是相通的。而对于异或 ( xor ), 则是很有趣的一种位运算,它的运算规则是相同为 0,不同为 1。例如:
1 xor 1 = 0,0 xor 0 = 0,
1 xor 0 = 1,0 xor 1 = 1;
它的运算满足交换律以及结合律。除此之外,xor 还有很多神奇的操作,有兴趣的同学可以自己去查阅。
再复杂一点的有左移 ( shl ), 右移 ( shr ),相当于对于二进制数的位置移动。例如10001(2) shl 1,就是10001(2)左移一位,变成了100010(2),换算成十进制,相当于扩大了 2 倍,同理右移则是缩减两倍。那么对于任意的一个二进制数,左移 k 位就是乘 2k, 右移就是整除 2k 。
|||| 小贴士:
在C++中,位运算操作符分别是:
与 &,或 |,非 ~,异或 ^,
左移 <<,右移 >>
推到动态规划方程时,我们注意到 V’ 是一个数的集合,而且解决的问题规模比较小,于是可以用一个二进制数来存储这个集合。简单来说就是——如果城市 k 在集合 V’ 中,那么存储集合的变量 i 的第 k 位就为 1,否则为 0。由于有 n 个城市,所有的状态总数我们用 M 来表示,那么很明显:M = 2^n,而 0 到 2^n -1 的所有整数则构成了 V’ 的所有状态。这样,结合位运算,动归方程的状态表示就很容易了。
准备所需工具
还有两样你需要准备的东西,那就是城市数据文件和编译软件。代码中使用的城市数据文件可以有两种保存格式:一种是上例提到的矩阵式,也可以是 “城市名 城市X坐标 城市Y坐标” 式。大家可以根据实际情况自行调整。
至于编译软件,小编在这里给大家提供的是C++代码,用你用得最顺手的编译器就可以了。小编在这里强烈推荐DEV-CPP!体积小,编译方便,代码还很美观。
好了不啰嗦了,上代码~
代码示例(C++)
#include<bits/stdc++.h>
using namespace std;
// 定义常量
const int INF = 0x3f3f3f3f;
#define sqr(x) ((x)*(x))
// 定义变量
string file_name;
int type; // type == 1 满秩矩阵格式, type == 2 二维坐标式
int s;
int N;// 城市结点数量
int init_point;
double **dp; // 动态规划状态数组dp[i][j],i表示集合V’,j表示当前到达的城市结点
double **dis; // 两个城市结点之间的距离
double ans;
// 定义结构体
struct vertex{
double x, y; // 城市结点的坐标
int id; // 城市结点的id
int input(FILE *fp){
return fscanf(fp, "%d %lf %lf", &id, &x, &y);
}
}*node;
double EUC_2D(const vertex &a, const vertex &b){
return sqrt(sqr(a.x - b.x) + sqr(a.y - b.y));
}
void io(){ // 数据读入
printf("input file_name and data typen");
cin >> file_name >> type;
FILE *fp = fopen(file_name.c_str(), "r");
fscanf(fp, "%d", &N);
node = new vertex[N + 5];
dis = new double*[N + 5];
if (type == 1){
for (int i = 0; i < N; i ++){
dis[i] = new double[N];
for (int j = 0; j < N; j ++)
fscanf(fp, "%lf", &dis[i][j]);
}
}
else{
for (int i = 0; i < N; i ++)
node[i].input(fp);
for (int i = 0; i < N; i ++){
dis[i] = new double[N];
for (int j = 0; j < N; j ++)
dis[i][j] = EUC_2D(node[i], node[j]);// 计算城市之间的距离
}
}
fclose(fp);
return;
}
void init(){ // 数据初始化
dp = new double*[(1 << N) + 5];
for(int i = 0; i < (1 << N); i++){
dp[i] = new double[N + 5];
for(int j = 0; j < N; j++)
dp[i][j] = INF;
} // 初始化,除了dp[1][0],其余值都为INF
ans = INF;
return;
}
double slove(){
int M = (1 << N);
// M就是第四部分所说的V’状态总数,1<<N表示2^N,总共有2^N种状态
dp[1][0] = 0;
// 假设固定出发点为0,从0出发回到0的花费为0。TSP只要求是一个环路,所以出发点可以任选
for (int i = 1; i < M; i ++){
// 枚举V’的所有状态
for (int j = 1; j < N; j ++){
// 选择下一个加入集合的城市
if (i & (1 << j)) continue;
// 城市已经存在于V’之中
if (!(i & 1)) continue;
// 出发城市固定为0号城市
for (int k = 0; k < N; k ++){
// 在V’这个城市集合中尝试每一个结点,并求出最优解
if (i & (1 << k)){
// 确保k已经在集合之中并且是上一步转移过来的结点
dp[(1 << j) | i][j] = min(dp[(1 << j) | i][j], dp[i][k] + dis[k][j]); // 转移方程
} // 将j点加入到i集合中
}
}
}
for (int i = 0; i < N; i ++)
ans = min(dp[M - 1][i] + dis[i][0], ans);
// 因为固定了出发点,所以要加上到城市0的距离。另外要从所有的完成整个环路的集合V’中选择,完成最后的转移
return ans;
}
int main(){
io();
init();
string tmp = file_name + ".sol";
FILE *fp = fopen(tmp.c_str(), "w");
fprintf(fp, "%.2lfn", slove());
delete[] dp;
delete[] node;
delete[] dis;
fclose(fp);
return 0;
}
算例运行
例1:满秩矩阵式(type==1)
就拿前文的例子,其文件存储的格式应如下:
4
0 3 6 7
5 0 2 3
6 4 0 2
3 7 5 0
运行结果
11
例2:二维坐标式(type==2)
若城市数据文件如下所示:
16 1 38.24 20.42 2 39.57 26.15 3 40.56 25.32 4 36.26 23.12 5 33.48 10.54 6 37.56 12.19 7 38.42 13.11 8 37.52 20.44 9 41.23 9.10 10 41.17 13.05 11 36.08 -5.21 12 38.47 15.13 13 38.15 15.35 14 37.51 15.17 15 35.49 14.32 16 39.36 19.56
运行结果
73.99
总结
动态规划通过迭代方式寻找每一个子问题的最优解法,因此该解法可以得出TSP的最优解。但算法时间效率较差,因此在问题规模逐渐变大的过程中计算量会急剧膨胀。所以,本算法只适用于小规模求精确解的TSP问题,但对于你平常遇到的大多数TSP问题,这也足够了。
推荐阅读
-
☕ 【Java 技术指南】"Java8 编程主题",让您真正会使用新版 Java 日期和时间 API 编程指南
-
Vue2 的父子组件在道具中传递了对对象的观察监听使用
-
时间守护者:使用 PHP DateTime 扩展管理时间对象
-
Java 编程问题:III.使用日期和时间
-
APScheduler 定时器使用 [简单版]:在 django 中使用 apscheduler,使用 mysql 作为存储后台
-
谈谈如何使用 PHP 内置函数 date
-
2024 年 5 月 1 日 深部采煤中冲击地压危险预测的数学建模 C 问题 原文分享
-
如何使用 timedatectl 从命令行设置时区并启用网络时间同步(NTP)
-
一举解决 Elasticsearch 滞后 8 小时和其他时区问题!
-
在 k8s 环境中处理容器定时问题的多种姿势