**Контекст:** Логистическая компания оптимизирует маршруты курьеров для минимизации пробега и времени.
**Данные:**
- DataFrame `orders` — колонки: `order_id`, `latitude`, `longitude`, `time_window_start`, `time_window_end`, `weight_kg`, `priority` (low/medium/high)
- DataFrame `depot` — колонки: `depot_id`, `latitude`, `longitude` (склад, начало и конец маршрута)
**Задание:**
1. Постройте матрицу расстояний между всеми точками (Haversine formula)
2. Решите TSP методом ближайшего соседа (Nearest Neighbor heuristic)
3. Улучшите решение через 2-opt local search
4. Сравните с наивным решением (по порядку заказов) и визуализируйте маршрут
Структура для ориентира — реальные значения из эталонного решения.
depot = pd.DataFrame({
'depot_id': ['D1'],
'latitude': [55.7558],
'longitude': [37.6173],
})
orders = pd.DataFrame({
'order_id': range(n_orders),
'latitude': np.random.normal(55.75, 0.05, n_orders).round(6),
'longitude': np.random.normal(37.62, 0.08, n_orders).round(6),
'weight_kg': np.random.uniform(0.5, 15, n_orders).round(1),
'priority': np.random.choice(['low', 'medium', 'high'], n_orders, p=[0.5, 0.35, 0.15]),
})pandas scipy оптимизация TSP маршруты nearest neighbor geopy
Это задание для уровня Senior. Senior-уровень — глубокое понимание темы, опыт решения нестандартных задач, обсуждение trade-off на собеседовании.
Подобные задания в категории «Python» регулярно дают на собеседованиях аналитика данных в Яндекс, Сбер, Ozon, Авито, Тинькофф, Wildberries, T-Bank, X5, ВТБ и других крупных IT-компаниях. Тематика: pandas, scipy, оптимизация, TSP, маршруты.
На реальном собеседовании на подобную задачу отводится 30-60 минут с обсуждением подходов, оптимизаций и trade-off. Для тренировки рекомендуем сначала решить самостоятельно, потом сверить с эталонным решением и подсказками.
На zasqlpython.ru есть 482 Python задачи с проверкой через Pyodide, конспекты Python и pandas, AI мок-собеседование с разбором ваших ответов.
← Все задания