Уборка графика igraph и маршрутизация или вопрос TSP

У меня меньше опыта в R, и мне нужна помощь в уборке моего графика, так как он выглядит грязным. Кроме того, мой проект состоит в том, чтобы найти лучший минимальный маршрут из Сеула в каждый город и обратно в Сеул. Это почти как задача коммивояжера (TSP), но есть некоторые города, которые необходимо посетить более одного раза, поскольку это единственный способ добраться до определенных городов. Я не знаю, как это сделать и какие пакеты использовать.

Это мой код для сюжета igraph

library(igraph)

g1 <- graph( c("Seoul","Incheon","Seoul","Goyang","Seoul","Seongnam","Seoul",
              "Bucheon","Seoul","Uijeongbu","Seoul","Gimpo",
              "Seoul","Gwangmyeong", "Seoul", "Hanam","Seoul", "Guri",
              "Seoul","Gwacheon","Busan","Changwon","Busan","Gimhae",
              "Busan","Jeju","Busan","Yangsan","Busan","Geoje",
              "Incheon","Goyang","Incheon","Bucheon","Incheon","Siheung",
              "Incheon","Jeju","Incheon","Gimpo","Daegu","Gumi",
              "Daegu","Gyeongsan","Daegu","Yeongcheon","Daejeon",
              "Cheongju","Daejeon","Nonsan","Daejeon","Gongju",
              "Daejeon","Gyeryong","Gwangju","Naju","Suwon","Yongin",
              "Suwon","Seongnam","Suwon","Hwaseong","Suwon","Ansan",
              "Suwon","Gunpo","Suwon","Osan","Suwon","Uiwang",
              "Ulsan","Yangsan","Ulsan","Gyeongju","Ulsan","Miryang",
              "Yongin","Seongnam","Yongin","Hwaseong","Yongin","Pyeongtaek",
              "Yongin","Gwangju-si","Yongin","Icheon","Yongin","Anseong",
              "Yongin","Uiwang","Goyang","Gimpo","Goyang","Paju","Goyang",
              "Yangju","Changwon","Gimhae","Changwon","Jinju","Changwon",
              "Miryang","Seongnam","Gwangju-si","Seongnam","Hanam","Seongnam",
              "Uiwang","Seongnam","Gwacheon","Hwaseong","Ansan","Hwaseong",
              "Pyeongtaek","Hwaseong","Gunpo","Hwaseong","Osan","Cheongju",
              "Cheonan","Cheongju","Sejong","Bucheon","Siheung","Bucheon",
              "Gwangmyeong","Ansan","Anyang","Ansan","Siheung","Ansan",
              "Gunpo","Namyangju","Uijeongbu","Namyangju","Chuncheon",
              "Namyangju","Hanam","Namyangju","Guri","Cheonan","Pyeongtaek",
              "Cheonan","Sejong","Cheonan","Asan","Cheonan","Anseong",
              "Jeonju","Gimje","Gimhae","Yangsan","Gimhae","Miryang",
              "Pyeongtaek","Asan","Pyeongtaek","Osan","Pyeongtaek","Anseong",
              "Pyeongtaek","Dangjin","Anyang","Siheung","Anyang","Gwangmyeong",
              "Anyang","Gunpo","Anyang","Gwacheon","Siheung","Gwangmyeong",
              "Siheung","Gunpo","Pohang","Yeongcheon","Pohang","Gyeongju",
              "Jeju","Gimpo","Jeju","Mokpo","Jeju","Seogwipo","Uijeongbu",
              "Yangju","Uijeongbu","Pocheon","Paju","Yangju","Gumi","Gimcheon",
              "Gumi","Sangju","Gwangju-si","Hanam","Gwangju-si","Icheon",
              "Gwangju-si","Yeoju","Sejong","Gongju","Wonju","Chungju",
              "Wonju","Jecheon","Wonju","Yeoju","Jinju","Sacheon", "Yangsan",
              "Miryang","Asan","Gongju","Iksan","Gunsan","Iksan","Nonsan",
              "Iksan","Gimje","Chuncheon","Pocheon","Gyeongsan","Yeongcheon",
              "Gunpo","Uiwang","Suncheon","Yeosu","Suncheon","Gwangyang",
              "Gunsan","Gimje","Gyeongju","Yeongcheon","Geoje","Tongyeong",
              "Osan","Anseong","Yangju","Pocheon","Yangju","Dongducheon",
              "Icheon","Anseong","Icheon","Yeoju","Mokpo","Naju","Chungju",
              "Jecheon","Chungju","Yeoju","Chungju","Mungyeong","Gangneung",
              "Donghae","Gangneung","Sokcho","Seosan","Dangjin","Andong",
              "Yeongju","Pocheon","Dongducheon","Gimcheon","Sangju","Tongyeong",
              "Sacheon","Nonsan","Gongju","Nonsan","Boryeong","Nonsan",
              "Gyeryong","Gongju","Boryeong","Gongju","Gyeryong","Jeongeup",
              "Gimje","Yeongju","Mungyeong","Yeongju","Taebaek","Sangju",
              "Mungyeong","Sokcho","Samcheok","Samcheok","Taebaek",
              "Suncheon","Gwangju"), directed=F)

E(g1)$distance <- c(27, 16, 20, 19, 20, 24, 14, 20, 15, 15, 36, 18, 299, 18, 53,
                    25, 8, 12, 440, 18, 36, 13, 33, 33, 31, 26, 15, 20, 13, 20,
                    19, 18, 13, 16, 10, 33, 36, 51, 24, 31, 28, 21, 23, 27, 22,
                    11, 12, 24, 18, 52, 27, 11, 13, 19, 13, 14, 34, 20, 23, 38,
                    18, 12, 9, 12, 7, 10, 19, 53, 11, 8, 20, 27, 11, 26, 24, 18,
                    33, 25, 18, 15, 44, 14, 12, 4, 5, 12, 12, 37, 21, 458, 146,
                    27, 10, 23, 24, 21, 36, 14, 23, 36, 21, 39, 33, 26, 20, 32, 
                    40, 20, 29, 18, 47, 24, 4, 27, 19, 22, 29, 17, 24, 18, 13, 
                    32, 18, 37, 28, 43, 51, 33, 56, 20, 28, 12, 30, 38, 29, 47,
                    17, 47, 22, 26, 46, 51, 20, 10, 36,63)

plot(g1, edge.label=E(g1)$distance, 
     vertex.label.cex=0.6, vertex.size=4)

igraph сюжет

пожалуйста, укажите, что вы уже пробовали. Существует несколько пакетов (можно найти с помощью поиска), которые могут решить TSP. Какие из них вы уже пробовали и почему они не привели к желаемому результату?

Wimpel 09.02.2023 08:35

Я попытался объединить свои данные в сеть, чтобы проверить, можно ли применить TSP. Однако из графика igraph, который я сделал, некоторые города нужно посетить более одного раза (технически TSP не может быть применен), чтобы найти лучший маршрут в каждый город. Кроме того, глядя на мой график igraph, он очень беспорядочный, и сеть трудно увидеть.

zwen hms 11.02.2023 10:44
Стоит ли изучать PHP в 2023-2024 годах?
Стоит ли изучать PHP в 2023-2024 годах?
Привет всем, сегодня я хочу высказать свои соображения по поводу вопроса, который я уже много раз получал в своем сообществе: "Стоит ли изучать PHP в...
Поведение ключевого слова "this" в стрелочной функции в сравнении с нормальной функцией
Поведение ключевого слова "this" в стрелочной функции в сравнении с нормальной функцией
В JavaScript одним из самых запутанных понятий является поведение ключевого слова "this" в стрелочной и обычной функциях.
Приемы CSS-макетирования - floats и Flexbox
Приемы CSS-макетирования - floats и Flexbox
Здравствуйте, друзья-студенты! Готовы совершенствовать свои навыки веб-дизайна? Сегодня в нашем путешествии мы рассмотрим приемы CSS-верстки - в...
Тестирование функциональных ngrx-эффектов в Angular 16 с помощью Jest
В системе управления состояниями ngrx, совместимой с Angular 16, появились функциональные эффекты. Это здорово и делает код определенно легче для...
Концепция локализации и ее применение в приложениях React ⚡️
Концепция локализации и ее применение в приложениях React ⚡️
Локализация - это процесс адаптации приложения к различным языкам и культурным требованиям. Это позволяет пользователям получить опыт, соответствующий...
Пользовательский скаляр GraphQL
Пользовательский скаляр GraphQL
Листовые узлы системы типов GraphQL называются скалярами. Достигнув скалярного типа, невозможно спуститься дальше по иерархии типов. Скалярный тип...
0
2
66
1
Перейти к ответу Данный вопрос помечен как решенный

Ответы 1

Ответ принят как подходящий

Используя трюк от https://or.stackexchange.com/questions/5555/tsp-with-repeated-city-visits

library(data.table)
library(purrr)
library(TSP)
library(igraph)

Нам нужно создать матрицу расстояний на основе кратчайших путей для каждой пары вершин:

vertex_names <- names(V(g1))
N <- length(vertex_names)

dt <- map(
  head(seq_along(vertex_names), -1), 
  ~data.table(
    from = vertex_names[[.x]],
    to = vertex_names[(.x+1):N],
    path = map(
      shortest_paths(g1, vertex_names[[.x]], vertex_names[(.x+1):N])[["vpath"]], 
      names
    )
  ),
) %>%
  rbindlist()

затем вычисляем расстояния кратчайших путей:

m <- as_adjacency_matrix(g1, type = "both", attr = "distance", sparse = FALSE)
dt[, weight := map_dbl(path, ~sum(m[embed(.x, 2)[, 2:1, drop=FALSE]]))]

теперь собираем новую матрицу:

dt <- rbind(
  dt, dt[, .(from = to, to = from, path = map(path, rev), weight = weight)]
)

new_m <- matrix(0, N, N)
rownames(new_m) <- colnames(new_m) <- vertex_names
new_m[as.matrix(dt[, .(from,to)])] <- dt[["weight"]]

в этой новой матрице мы используем некоторую эвристику для решения TSP (для точного решения вы должны использовать method = "concorde"):

res <- new_m %>%
  TSP() %>%
  solve_TSP(repetitions = 1000, two_opt = TRUE) 

теперь мы обмениваем каждую пару последовательных городов на кратчайший путь:

start_city <- "Seoul"

path_dt <- c(start_city, labels(cut_tour(res, start_city)), start_city) %>%
  embed(2) %>%
  .[,2:1,drop = FALSE] %>%
  "colnames<-"(c("from", "to")) %>%
  as.data.table()
path_dt <- dt[path_dt, on = .(from ,to)]

my_path <- c(unlist(map(path_dt[["path"]], head, -1)), start_city)

my_path — эвристическое решение с расстоянием tour_length(res)

Здравствуйте, я продолжил свои коды с вашими кодами. Однако я получил эту ошибку. Есть ли что-то, что мне нужно изменить в вашем коде? ``` Ошибка в map(): ℹ В индексе: 1. ℹ С названием: Seoul. Вызвано ошибкой в ​​data.table(): ! объект 'to' не найден ```

zwen hms 11.02.2023 10:53

Я внес некоторые изменения, теперь это должно работать

det 13.02.2023 08:12

Другие вопросы по теме