运筹学——图论与最短距离（Python实现）(1)，2024年最新阿里p8 面试

先自我介绍一下，小编浙江大学毕业，去过华为、字节跳动等大厂，目前阿里P7

深知大多数程序员，想要提升技能，往往是自己摸索成长，但自己不成体系的自学效果低效又漫长，而且极易碰到天花板技术停滞不前！

因此收集整理了一份《2024年最新Python全套学习资料》，初衷也很简单，就是希望能够帮助到想自学提升又不知道该从何学起的朋友。

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，涵盖了95%以上Python知识点，真正体系化！

由于文件比较多，这里只是将部分目录截图出来，全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频，并且后续会持续更新

如果你需要这些资料，可以添加V获取：vip1024c （备注Python）

正文

从问题的某一初始解出发；

while 能朝给定总目标前进一步 do

求出可行解的一个解元素；

由所有解元素组合成问题的一个可行解；

1.2 图论及求解最短距离

---

1.2.1 方法选择：

(1)需要求解任意两个节点之间的最短距离，使用 Floyd 算法；

(2)只要求解单源最短路径问题，有负权边时使用 Bellman-Ford 算法，没有负权边时使用 Dijkstra 算法；

(3)A*算法找到的是相对最优路径，适合大规模、实时性高的问题。

本节我们只讨论Dijkstra 算法。

1.2.2 狄克斯屈拉(Dijkstra)算法

适用于wij≥0，给出了从vs到任意一个点vj的最短路。

Dijkstra算法是在1959年提出来的。目前公认，在所有的权wij ≥0时，这个算法是寻求最短路问题最好的算法。并且，这个算法实际上也给出了寻求从一个始定点vs到任意一个点vj的最短路。

2 案例1——贪心算法实现

==============

2.1 旅行商问题（TSP）

---

**旅行商问题(TravelingSalesmanProblem，TSP)**一个商品推销员要去若干个城市推销商品，该推销员从一个城市出发，需要遍历所有城市一次且只能一次，回到出发地。应如何选择行进路线，以使总的行程最短。

旅行商问题(TSP)即给定一组城市以及每对城市之间的距离，需要找到一条最短的路线，该路线只对每个城市进行一次访问并返回起点。

这里注意汉密尔顿活路(Hamiltonian Cycle)和TSP之间的区别。汉密尔顿回路问题是要找出是否存在一次游览每个城市一次的路线。在TSP问题中，我们是已知存在汉密尔顿回路（因为该图是完整的），并且实际上，存在许多此类回路，TSP问题在于找到最小权重的汉密尔顿回路。

目前解决TSP问题的方法有许多种，比如：贪心算法、动态规划算法、分支限界法；也有智能算法。本文先介绍贪心算法：

2.2 案例

---

数据 如下图，第一列城市名。第二列坐标x，第三列坐标y：

贪心算法思路：随便选择出发城市，然后每次选择要去的下一个城市时，都选择还没去的最近的城市。

2.3 Python实现

---

#第一步：导入相关库==========

import pandas as pd

import numpy as np

import math

import time

#第二步：读取数据===========

dataframe = pd.read_csv(“旅行商问题.csv”, sep=“,”, header=None)

v = dataframe.iloc[:, 1:3] #去除第一列12345678910,只保留x,y

print(‘读取数据:----------------------------’)

print(v)

#=第三步：计算城市之间的距离==

train_v= np.array(v)

train_d=train_v

dist = np.zeros((train_v.shape[0],train_d.shape[0])) #初始化距离 为10*10的全0矩阵

print(dist.shape) #(10,10)

#计算距离矩阵=

for i in range(train_v.shape[0]):

for j in range(train_d.shape[0]):

dist[i,j] = math.sqrt(np.sum((train_v[i,:]-train_d[j,:])**2))

print(‘距离矩阵:----------------------------------’)

print(dist)

#第四步：计算距离和路径====

“”"

s:已经遍历过的城市

dist：城市间距离矩阵

sumpath:目前的最小路径总长度

Dtemp：当前最小距离

flag：访问标记

“”"

i=1

n=train_v.shape[0]#城市个数

j=0

sumpath=0#目前的最小路径总长度

s=[]#已经遍历过的城市

s.append(0)#从城市0开始

start = time.perf_counter() #time.clock()

while True:

k=1#从1开始,因为人在城市0，所以我们设定先从城市1开始选择

Detemp=float(‘inf’)#当前最小距离

while True:

flag=0#访问标记，否0

if k in s:#是否访问，如果访问过，flag设为1

flag = 1

if (flag==0) and (dist[k][s[i-1]] < Detemp):#如果未访问过，并且距离小于最小距离

j = k;

Detemp=dist[k][s[i - 1]]; #当前两座城市相邻距离

k+=1#遍历下一城市

if k>=n:

break;

s.append(j)

i+=1;

sumpath+=Detemp

if i>=n:

break;

sumpath+=dist[0][j]#加上dist[0][j] 表示最后又回到起点

end = time.perf_counter() #time.clock()

print(“距离：”)

print(sumpath)

print(‘--------------’)

print(‘路径：’)

for m in range(n):

print("%s-> "%(s[m]),end=‘’)

print()

print(“程序的运行时间是：%s”%(end-start))

代码解析：数字k表示当前我们选择前往下一个城市时，我们需要计算所有未访问过的城市和当前城市距离。

数字i 用于控制访问过的城市，我们需要到达每一个城市。

代码中有两个while

里面那个while表示选择下一城市时，需要遍历所有未访问过的城市，然后选择距离当前城市最近的城市，赋值给j

外面while，表示我们的每一步，我们需要去每个城市。

2.4 结果

---

读取数据:----------------------------

1 2

0 2066 2333

1 935 1304

2 1270 200

3 1389 700

4 984 2810

5 2253 478

6 949 3025

7 87 2483

8 3094 1883

9 2706 3130

(10, 10)

距离矩阵:----------------------------------

[[ 0. 1529.05264788 2276.68728639 1767.77204413 1182.47748393

1864.40178073 1313.98363765 1984.67654795 1122.17823896 1022.15898959]

[1529.05264788 0. 1153.70750193 755.6004235 1506.7969339

1555.44205935 1721.0569427 1452.28957168 2235.29013777 2543.76040538]

[2276.68728639 1153.70750193 0. 513.96595218 2625.6229737

1021.55420806 2843.17885473 2571.29889356 2481.82694804 3262.97349055]

[1767.77204413 755.6004235 513.96595218 0. 2148.51693035

892.06502005 2366.26815894 2207.7801068 2075.21420581 2763.94446399]

[1182.47748393 1506.7969339 2625.6229737 2148.51693035 0.

2654.91713618 217.83020911 954.74499213 2304.65377009 1751.48051659]

[1864.40178073 1555.44205935 1021.55420806 892.06502005 2654.91713618

0.     2861.40262808 2951.53875123 1637.46938903 2690.41130685]
   

[1313.98363765 1721.0569427 2843.17885473 2366.26815894 217.83020911

2861.40262808 0. 1018.23769327 2430.05946429 1760.13465394]

[1984.67654795 1452.28957168 2571.29889356 2207.7801068 954.74499213

2951.53875123 1018.23769327 0. 3066.2760802 2697.7342345 ]

[1122.17823896 2235.29013777 2481.82694804 2075.21420581 2304.65377009

1637.46938903 2430.05946429 3066.2760802 0. 1305.9682232 ]

[1022.15898959 2543.76040538 3262.97349055 2763.94446399 1751.48051659

2690.41130685 1760.13465394 2697.7342345 1305.9682232 0. ]]

距离：

10464.183486532447

--------------

路径：

0-> 9-> 8-> 5-> 3-> 2-> 1-> 7-> 4-> 6->

程序的运行时间是：0.0002605780000024538

Process finished with exit code 0

3 案例2——图论及最短距离

===============

3.1 知识点

---

3.2 networkx绘图

---

3.2.1 创建图

networkx有四种图 Graph 、DiGraph、MultiGraph、MultiDiGraph，分别为无多重边无向图、无多重边有向图、有多重边无向图、有多重边有向图。

#创建图======

import networkx as nx # 导入 NetworkX 工具包

G1 = nx.Graph() # 创建：空的 无向图

G2 = nx.DiGraph() #创建：空的 有向图

G3 = nx.MultiGraph() #创建：空的 多图

G4 = nx.MultiDiGraph() #创建：空的 有向多图

3.2.2 定点的添加、删除和查看

#====顶点的添加、删除和查看=

#==顶点(node)的操作=

#向图中添加顶点

G1.add_node(1) # 向 G1 添加顶点 1

G1.add_node(1, name=‘n1’, weight=1.0) # 添加顶点 1，定义 name, weight 属性

G1.add_node(2, date=‘May-16’) # 添加顶点 2，定义 time 属性

G1.add_nodes_from([3, 0, 6], dist=1) # 添加多个顶点，并定义属性

G1.add_nodes_from(range(10, 15)) # 向图 G1 添加顶点 10～14

#查看顶点和顶点属性

print(G1.nodes()) # 查看顶点列表

[1, 2, 3, 0, 6, 10, 11, 12, 13, 14]

print(G1._node) # 查看顶点属性

{1: {‘name’: ‘n1’, ‘weight’: 1.0}, 2: {‘date’: ‘May-16’}, 3: {‘dist’: 1}, 0: {‘dist’: 1}, 6: {‘dist’: 1}, 10: {}, 11: {}, 12: {}, 13: {}, 14: {}}

#从图中删除顶点

G1.remove_node(1) # 删除顶点

G1.remove_nodes_from([1, 11, 13, 14]) # 通过顶点标签的 list 删除多个顶点

print(G1.nodes()) # 查看顶点

[2, 3, 0, 6, 10, 12] # 顶点列表

一、Python所有方向的学习路线

Python所有方向路线就是把Python常用的技术点做整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。

二、学习软件

工欲善其事必先利其器。学习Python常用的开发软件都在这里了，给大家节省了很多时间。

三、入门学习视频

我们在看视频学习的时候，不能光动眼动脑不动手，比较科学的学习方法是在理解之后运用它们，这时候练手项目就很适合了。

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化的资料的朋友，可以添加V获取：vip1024c （备注python）

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！
视频学习的时候，不能光动眼动脑不动手，比较科学的学习方法是在理解之后运用它们，这时候练手项目就很适合了。

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化的资料的朋友，可以添加V获取：vip1024c （备注python）
[外链图片转存中…(img-qFzRrCNb-1713098706381)]

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！