一、问题描述
问题描述:N个人分配N项任务,一个人只能分配一项任务,一项任务只能分配给一个人,将一项任务分配给一个人是需要支付报酬,如何分配任务,保证支付的报酬总数最小。
问题数学描述:
二、实例分析---全排列法
在讲将匈牙利算法解决任务分配问题之前,先分析几个具体实例。
以3个工作人员和3项任务为实例,下图为薪酬图表和根据薪酬图表所得的cost矩阵。
利用最简单的方法(全排列法)进行求解,计算出所有分配情况的总薪酬开销,然后求最小值。
total_cost1 = 250 + 600 + 250 = 1100; x00 = 1,x11 = 1,x22 = 1;
total_cost2 = 250 + 350 + 400 = 1000; x00 = 1,x12 = 1,x21 = 1;
total_cost3 = 400 + 400 + 250 = 1050; x01 = 1,x10 = 1,x22 = 1;
total_cost4 = 400 + 350 + 200 = 950; x01 = 1,x12 = 1,x20 = 1; //最优分配
total_cost5 = 350 + 400 + 400 = 1150; x02 = 1,x10 = 1,x21 = 1;
total_cost6 = 350 + 600 + 250 = 1150; x02 = 1,x11 = 1,x22 = 1;
对于任务数和人员数较少时,可利用全排列法计算结果。
若将N任务分配给N个人员,其包含的所有分配情况数目为N!,N增大时,全排列法将难以完成任务。
三、匈牙利算法
下面简要介绍匈牙利算法。
其基本的理论基础是针对cost矩阵,将cost矩阵的一行或一列数据加上或减去一个数,其最优任务分配求解问题不变。
算法的基本步骤如下:
四、实例分析---匈牙利算法
下面结合具体实例,分析匈牙利算法如何解决任务分配问题。
以N = 4为实例,下图为cost列表和cost矩阵。
Step1.从第1行减去75,第2行减去35,第3行减去90,第4行减去45。
Step2.从第1列减去0,第2列减去0,第3列减去0,第4列减去5。
Step3.利用最少的水平线或垂直线覆盖所有的0。
Step4.由于水平线和垂直线的总数是3,少于4,进入Step5。
Step5.没有被覆盖的最小值是5,没有被覆盖的每行减去最小值5,被覆盖的每列加上最小值5,然后跳转到步骤3.
Step3.利用最少的水平线或垂直线覆盖所有的0。
Step4.由于水平线和垂直线的总数是3,少于4,进入Step5。
Step5.没有被覆盖的最小值是20,没有被覆盖的每行减去最小值20,被覆盖的每列加上最小值20,然后跳转到步骤3.
Step3.利用最少的水平线或垂直线覆盖所有的0。
Step4.由于水平线和垂直线的总数是4,算法结束,分配结果如下图所示。
其中,黄色框表示分配结果,左边矩阵的最优分配等价于左边矩阵的最优分配。
以上内容为转载部分,下面代码内容为原创
五、python代码
-
import itertools import numpy as np from numpy import random from scipy.optimize import linear_sum_assignment # 任务分配类 class TaskAssignment: # 类初始化,需要输入参数有任务矩阵以及分配方式,其中分配方式有两种,全排列方法all_permutation或匈牙利方法Hungary。 def __init__(self, task_matrix, mode): self.task_matrix = task_matrix self.mode = mode if mode == 'all_permutation': self.min_cost, self.best_solution = self.all_permutation(task_matrix) if mode == 'Hungary': self.min_cost, self.best_solution = self.Hungary(task_matrix) # 全排列方法 def all_permutation(self, task_matrix): number_of_choice = len(task_matrix) solutions = [] values = [] for each_solution in itertools.permutations(range(number_of_choice)): each_solution = list(each_solution) solution = [] value = 0 for i in range(len(task_matrix)): value += task_matrix[i][each_solution[i]] solution.append(task_matrix[i][each_solution[i]]) values.append(value) solutions.append(solution) min_cost = np.min(values) best_solution = solutions[values.index(min_cost)] return min_cost, best_solution # 匈牙利方法 def Hungary(self, task_matrix): b = task_matrix.copy() # 行和列减0 for i in range(len(b)): row_min = np.min(b[i]) for j in range(len(b[i])): b[i][j] -= row_min for i in range(len(b[0])): col_min = np.min(b[:, i]) for j in range(len(b)): b[j][i] -= col_min line_count = 0 # 线数目小于矩阵长度时,进行循环 while (line_count < len(b)): line_count = 0 row_zero_count = [] col_zero_count = [] for i in range(len(b)): row_zero_count.append(np.sum(b[i] == 0)) for i in range(len(b[0])): col_zero_count.append((np.sum(b[:, i] == 0))) # 划线的顺序(分行或列) line_order = [] row_or_col = [] for i in range(len(b[0]), 0, -1): while (i in row_zero_count): line_order.append(row_zero_count.index(i)) row_or_col.append(0) row_zero_count[row_zero_count.index(i)] = 0 while (i in col_zero_count): line_order.append(col_zero_count.index(i)) row_or_col.append(1) col_zero_count[col_zero_count.index(i)] = 0 # 画线覆盖0,并得到行减最小值,列加最小值后的矩阵 delete_count_of_row = [] delete_count_of_rol = [] row_and_col = [i for i in range(len(b))] for i in range(len(line_order)): if row_or_col[i] == 0: delete_count_of_row.append(line_order[i]) else: delete_count_of_rol.append(line_order[i]) c = np.delete(b, delete_count_of_row, axis=0) c = np.delete(c, delete_count_of_rol, axis=1) line_count = len(delete_count_of_row) + len(delete_count_of_rol) # 线数目等于矩阵长度时,跳出 if line_count == len(b): break # 判断是否画线覆盖所有0,若覆盖,进行加减操作 if 0 not in c: row_sub = list(set(row_and_col) - set(delete_count_of_row)) min_value = np.min(c) for i in row_sub: b[i] = b[i] - min_value for i in delete_count_of_rol: b[:, i] = b[:, i] + min_value break row_ind, col_ind = linear_sum_assignment(b) min_cost = task_matrix[row_ind, col_ind].sum() best_solution = list(task_matrix[row_ind, col_ind]) return min_cost, best_solution # 生成开销矩阵 rd = random.RandomState(10000) task_matrix = rd.randint(0, 100, size=(5, 5)) # 用全排列方法实现任务分配 ass_by_per = TaskAssignment(task_matrix, 'all_permutation') # 用匈牙利方法实现任务分配 ass_by_Hun = TaskAssignment(task_matrix, 'Hungary') print('cost matrix = ', '\n', task_matrix) print('全排列方法任务分配:') print('min cost = ', ass_by_per.min_cost) print('best solution = ', ass_by_per.best_solution) print('匈牙利方法任务分配:') print('min cost = ', ass_by_Hun.min_cost) print('best solution = ', ass_by_Hun.best_solution)
代码运行实例: