用什么来解决以下挑战是一种很好的启发式方法？
Quality Blimps Inc.希望将销售扩展到其他城市 （N），所以他们聘请你作为推销员飞往其他城市出售 飞艇。随身携带的Blimp价格昂贵，所以你需要 确定每次旅行时和你一起携带多少飞艇 返回总部以获得更多。质量Blimps无限制 供应飞艇。
在您访问的每个城市，您只能销售一个飞艇，但是 你不需要去每个城市，因为有些旅行费用昂贵 成本。每个城市的初始价格都是飞利浦卖的，但是这个 随着更多的飞艇被售出而下降了一定的百分比（和 新奇感消失了）。找到一条能够实现利润最大化的好路线。
https://www.hackerrank.com/codesprint4/challenges/tbsp
这个挑战类似于标准的旅行商问题，但有一些额外的曲折：推销员需要跟踪他自己的旅行费用和飞艇。每个城市都有不同的价格，而且这些价格在他的旅程中下降。什么是快速算法（即n log n）用于最大化利润？
以某种方式运输物品的价格使TSP更简单。如果推销员在A市并且想要去B，他可以比较直接到B的成本与首先返回总部以获得更多飞艇的成本。即是通过A或者回到B之间来获得额外的飞艇是否更便宜？这项检查将创建一系列循环旅行，销售人员可以按照最高收入顺序进行。但是，首先确定这些循环的好方法是什么？
答案 0 :(得分：3)
这是一个搜索问题。假设网络大于蛮力可以解决的网络，最好的算法是Monte Carlo Tree Search。
答案 1 :(得分：3)
这类问题的算法通常是“多次运行解决方案，选择最佳解决方案”类型。此外，要选择接下来要尝试的解决方案，请使用先前迭代的结果。
对于特定的算法，尝试使用修剪，模拟退火，禁忌搜索，遗传算法，神经网络（按照我发现的相关顺序）进行回溯。此外，Tyler Durden提出的monte carlo树搜索理念看起来很酷。
答案 2 :(得分：0)
我已经阅读了原始问题。由于城市数量很大，因此无法得到确切的答案。近似算法是唯一的选择。正如@maniek所提到的，AA有很多种选择。如果你以前有AA的经验，那将是最好的，你可以选择一个你熟悉的那个并得到一个大概的答案。但是，如果你以前没有做AA，也许你可以从修剪开始回溯。
至于这个问题，您可以轻松获得这些修剪规则：
您甚至可以首先应用KNN来聚集位于附近的几个城市。然后从总部开始并访问每个小组。
总而言之，这确实是一个悬而未决的问题。没有最佳答案。也许在案例1中，使用回溯给出了最佳答案，而在案例2中，模拟退火是最好的。只计算近似答案就足够了，有很多方法可以实现这个目标。总而言之，真正最佳方法是尽可能多地编写AA，然后比较这些结果并输出最佳结果。
答案 3 :(得分：0)
这看起来像是一个经典的优化问题，我知道可以用模拟退火算法来处理（我认为这是模拟退火的第一次商业用途，早在20世纪80年代就是Wintek电子CAD自动放置程序）。大多数优化算法都可以处理像你这样的许多变量的问题 - 问题是正确设置适应度算法，以便获得最佳解决方案（在您的情况下，成本最低）。
其他优化算法可能值得一看 - 我只是有实施模拟退火算法的经验。
（如果你进入模拟退火路线，你可能想要获得PJ van Laarhoven和EH Aarts的“模拟退火：理论与应用（数学及其应用”），但你必须自己追捕它它已绝版（它甚至可能是我在1980年代使用的那本书）。）