贪心算法总是作出在当前看来最好的选择。也就是说贪心算法并不从整体最优考虑，它所作出的选择只是在某种意义上的局部最优选择。当然，希望贪心算法得到的最终结果也是整体最优的。虽然贪心算法不能对所有问题都得到整体最优解，但对许多问题它能产生整体最优解。如单源最短路经问题，最小生成树问题等。在一些情况下，即使贪心算法不能得到整体最优解，其最终结果却是最优解的很好近似。
基本思路：从问题的某一个初始解出发逐步逼近给定的目标，以尽可能快的地求得更好的解。当达到算法中的某一步不能再继续前进时，算法停止。
该算法存在问题：
实现该算法的伪代码：
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；
本节我们只讨论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。
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：
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。
#========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。
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
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
#================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
#====================边的添加、删除和查看================
#========边(edge)的操作========
#==向图中添加边==
G1.add_edge(1,5) # 向 G1 添加边，并自动添加图中没有的顶点
G1.add_edge(0,10, weight=2.7) # 向 G1 添加边，并设置边的属性
G1.add_edges_from([(1,2,{'weight':0}), (2,3,{'color':'blue'})]) # 向图中添加边，并设置#==属性==
G1.add_edges_from([(3,6),(1,2),(6,7),(5,10),(0,1)]) # 向图中添加多条边
G1.add_weighted_edges_from([(1,2,3.6),[6,12,0.5]]) # 向图中添加多条赋权边: (node1,node2,weight)
print(G1.nodes()) # 查看顶点
# [2, 3, 0, 6, 10, 12, 1, 5, 7] # 自动添加了图中没有的顶点
#==从图中删除边==
G1.remove_edge(0,1) # 从图中删除边 0-1
G1.remove_edges_from([(2,3),(1,5),(6,7)]) # 从图中删除多条边
#==查看边和边的属性==
print(G1.edges) # 查看所有的边
[(2, 1), (3, 6), (0, 10), (6, 12), (10, 5)]
print(G1.get_edge_data(1,2)) # 查看指定边的属性
# {'weight': 3.6}
print(G1[1][2]) # 查看指定边的属性
# {'weight': 3.6}
print(G1.edges(data=True)) # 查看所有边的属性
# [(2, 1, {'weight': 3.6}), (3, 6, {}), (0, 10, {'weight': 2.7}), (6, 12, {'weight': 0.5}), (10, 5, {})]
例题 1：已知如图的有权无向图，求顶点 v1 到 顶点 v11 的最短路径。
#========导入相关包=========================
import matplotlib.pyplot as plt # 导入 Matplotlib 工具包
import networkx as nx # 导入 NetworkX 工具包
#======问题：无向图的最短路问题===============
G1 = nx.Graph() # 创建：空的 无向图
G1.add_weighted_edges_from([(1,2,2),(1,3,8),(1,4,1),
(2,3,6),(2,5,1),
(3,4,7),(3,5,5),(3,6,1),(3,7,2),
(4,7,9),
(5,6,3),(5,8,2),(5,9,9),
(6,7,4),(6,9,6),
(7,9,3),(7,10,1),
(8,9,7),(8,11,9),
(9,10,1),(9,11,2),
(10,11,4)]) # 向图中添加多条赋权边: (node1,node2,weight)
print('nx.info:',G1.nodes) # 返回图的基本信息,nx.info:返回图的基本信息
#=======两个指定顶点之间的最短加权路径===============
minWPath_v1_v11 = nx.dijkstra_path(G1, source=1, target=11) # 顶点 1 到 顶点 11 的最短加权路径
print("顶点 v1 到 顶点 v11 的最短加权路径: ", minWPath_v1_v11)
# 两个指定顶点之间的最短加权路径的长度
lMinWPath_v1_v11 = nx.dijkstra_path_length(G1, source=1, target=11) # 最短加权路径长度
print("顶点 v1 到 顶点 v11 的最短加权路径长度: ", lMinWPath_v1_v11)
pos = {1: (0,4), 2: (5,7), 3: (5,4), 4: (5,1), 5: (10,7), 6: (10,4), 7: (10,1),
8: (15,7), 9: (15,4), 10: (15,1), 11: (20,4)} # 指定顶点位置,以节点为键，位置为值的字典
labels = nx.get_edge_attributes(G1, 'weight') # 设置边的 labels 为 ‘weight'
nx.draw(G1, pos,node_color = 'r',with_labels=True, font_color='b') # 绘制无向图,pos 指的是布局
nx.draw_networkx_edge_labels(G1, pos, edge_labels=labels, font_color='y') # 显示边的权值
plt.show()
nx.info: [1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11]
顶点 v1 到 顶点 v11 的最短加权路径: [1, 2, 5, 6, 3, 7, 10, 9, 11]
顶点 v1 到 顶点 v11 的最短加权路径长度: 13
服务热线