近邻算法示例代码，用于解决旅行商问题（TSP）

import sys

def nearest_neighbor_tsp(adj_matrix):
    num_cities = len(adj_matrix)
    visited = [False] * num_cities  # 用于标记城市是否已经访问过的列表
    tour = [0]  # 起始城市为0，将其添加到路径中
    tour_length = 0  # 记录路径的总长度

    for _ in range(num_cities - 1):
        current_city = tour[-1]  # 获取当前城市，从路径中的最后一个城市开始
        nearest_city = None  # 用于存储距离当前城市最近的未访问城市
        min_distance = sys.maxsize  # 初始化最小距离为一个极大值

        # 遍历所有城市，找到距离当前城市最近的未访问城市
        for city in range(num_cities):
            if not visited[city] and adj_matrix[current_city][city] < min_distance:
                nearest_city = city
                min_distance = adj_matrix[current_city][city]

        tour.append(nearest_city)  # 将最近的未访问城市添加到路径
        tour_length += min_distance  # 更新路径长度
        visited[nearest_city] = True  # 标记最近的未访问城市为已访问

    # 回到起始城市，完成路径
    tour.append(tour[0])
    tour_length += adj_matrix[tour[-2]][tour[0]]

    return tour, tour_length  # 返回路径和路径长度

# 示例用法
if __name__ == "__main__":
    # 示例邻接矩阵，表示城市之间的距离
    adjacency_matrix = [
        [0, 29, 20, 21],
        [29, 0, 15, 17],
        [20, 15, 0, 28],
        [21, 17, 28, 0]
    ]

    # 调用最近邻算法求解TSP问题
    tour, tour_length = nearest_neighbor_tsp(adjacency_matrix)

    # 打印结果
    print("最近邻算法得到的近似最短路径:")
    print("路径顺序:", tour)
    print("路径长度:", tour_length)

最近邻算法（Nearest Neighbor Algorithm）是一种用于解决旅行商问题（Traveling Salesman Problem，TSP）的贪心算法。其基本思想是从起始城市开始，每次选择距离当前城市最近的未访问城市作为下一站，直到所有城市都被访问过一次，然后返回起始城市，形成一条路径。

以下是最近邻算法的基本思想和步骤：

1. **选择起始城市**：从城市集合中选择一个城市作为起始点，可以是任何城市。

2. **初始化路径和长度**：将起始城市添加到路径中，并将路径长度初始化为0。

3. **迭代过程**：重复以下步骤，直到所有城市都被访问过：
   - 从当前城市出发，找到距离最近的未访问城市。
   - 将最近的未访问城市添加到路径中，并将路径长度增加上从当前城市到最近城市的距离。
   - 将最近的未访问城市标记为已访问。

4. **回到起始城市**：在所有城市都被访问后，将路径的最后一个城市设置为起始城市，形成一条回路。

5. **计算路径长度**：计算路径的总长度，即旅行商访问所有城市的总距离。

6. **返回结果**：返回构建的近似最短路径和路径长度。

最近邻算法的优点是简单且容易实现，适用于小规模问题。然而，它并不能保证找到最优解，因为它是一种贪心算法，每次只选择最近的城市，可能会陷入局部最小值。对于大规模问题，最近邻算法通常会得到次优解，但在解决TSP等组合优化问题时，它是一个有用的启发式算法，因为它能够在相对短的时间内找到合理的解决方案。