TSP:旅行商问题与内存优化的动态规划

旅行商问题(TSP)是著名的NP问题,最暴力的做法是枚举点的排列,因此时间复杂度是O(n!).

一种较好的精确算法是动态规划,时间复杂度是O(n²2ⁿ).

最近遇到了使用动态规划求25个点的TSP问题,浮点数输入,精确解输出.

这个数据在时间和空间上都很糟糕,尤其是空间,原始的算法占用内存过大.

于是和一些同学进行了讨论,把得到的想法思路在此整理一下.

基本框架

用动态规划做TSP,就是在一个有向无环图(DAG)上做dp,图上的每个节点是一个二元组的状态(i,S),对应一条路径.

其中i表示当前路径的最后一个点,S是一个集合,表示路径上的点集.

那么,每个状态(i,S)的所有前驱(j,S'),一定会满足:

j∈S且S=S'+{i}

递推方程为:

dp(i,S)=min(dp(j,S-{i})+cost(i,j)) , j∈S且j≠i

方程的简单理解就是,到j的最短距离,加上j到i的最短距离,就是对应的i的最短距离.

集合S在具体实现上要映射到一个数字,我们可以用二进制串的状态压缩.

一个二进制串的第i位就表示第i个点是否在S里,为1表示在,为0表示不在.

每个状态需要枚举j,因此时间上是O(n).状态一共有O(n2ⁿ)个(包含一些非法状态),因此总的时间复杂度是O(n²2ⁿ).

而空间复杂度,最占空间的dp数组需要O(n2ⁿ)的空间,因此空间复杂度是O(n2ⁿ).

回路处理

由于TSP要求的是一个最短的回路,即起点终点为同一个点.

由于是回路,因此设哪个点是起点其实没有所谓,简单起见,不妨设第n-1个点为起点(下标从0开始).

这样处理后,在dp过程中,可以完全不考虑第n-1个点,然后适当处理一下dp的开头和结尾.

dp的初始化为:

dp(i,{i})=cost(i,n-1) , i∈[0,n-1)

dp最后的答案为:

min(dp(i,S_full)+cost(i,n-1)) , i∈[0,n-1) , S_full={0,1,2,...n-2}

这样处理dp(i,S)的含义就是从n-1为起点,经过了S里面的点,并且最后到达i的最短距离.

S_full这个状态就表示所有的点都经过了一遍,就差回