如何在R中扭转K-Means算法来寻找服务人员的最优分配
我有一个客户名单(比如说300个客户),还有一个服务工程师名单(比如说10个客户)。我需要以最佳方式为每个客户指派一名服务工程师。减少旅行次数,提高接待客户的能力。假设他必须定期接待所有客户。 尝试使用K表示集群,这应该将客户划分为10个集群,并为每个客户指定服务工程师。任何提示都值得赞赏。在这里,集群是完全错误的方法。它不会平衡集合,但如果99%的客户彼此接近,他们将被分配到同一个集群。此外,k-means不能使用地理距离,并假设您的中心可以移动到任何所需的位置如何在R中扭转K-Means算法来寻找服务人员的最优分配,r,algorithm,machine-learning,cluster-analysis,k-means,R,Algorithm,Machine Learning,Cluster Analysis,K Means,我有一个客户名单(比如说300个客户),还有一个服务工程师名单(比如说10个客户)。我需要以最佳方式为每个客户指派一名服务工程师。减少旅行次数,提高接待客户的能力。假设他必须定期接待所有客户。 尝试使用K表示集群,这应该将客户划分为10个集群,并为每个客户指定服务工程师。任何提示都值得赞赏。在这里,集群是完全错误的方法。它不会平衡集合,但如果99%的客户彼此接近,他们将被分配到同一个集群。此外,k-means不能使用地理距离,并假设您的中心可以移动到任何所需的位置 与其看集群,不如看资源分配,比
与其看集群,不如看资源分配,比如著名的。虽然这还远不能确定,但《发现集群》的作者似乎不是解决多旅行推销员问题的最佳方法。我将寻找一种元启发式方法,请参阅更多讨论