问题描述
所以我有一个包含 600 个点、它们的纬度、经度和需求的数据集。 我必须制作集群，以使每个集群的点彼此靠近，并且该集群的总容量不会超过某个限制。
问题的示例数据集：
set.seed(123)
id<- seq(1:600)
lon <- rnorm(600,88.5,0.125)
lat <- rnorm(600,22.4,0.15)
demand <- round(rnorm(600,40,20))
df<- data.frame(id,lon,lat,demand)
我想要的大约是：
我得到了什么（集群边界是近似的）：
我写的代码：
library(tidyverse)
constrained_cluster <- function(df,capacity=170){
lon_max <- max(df$lon)
lat_max <- max(df$lat)
#Calculating the distance between an extreme point and all other points
df$distance<-6377.83*acos(sin(lat_max*p)*sin(df$lat*p) + cos(lat_max*p)*cos(df$lat*p) * cos((lon_max-df$lon)*p))
df<- df[order(df$distance,decreasing = FALSE),]
d<-0
cluster_number<-1
cluster_list<- c()
i<-1
#Writing a loop to form the cluster which will fill up the cluster_list accordingly
while (i <= length(df$distance)){
d <- d+ df$demand[i]
if(d<=capacity){
cluster_list[i] <- cluster_number
i<- i+1
}
else{
cluster_number <- cluster_number+1
d <- 0
i<-i
}
}
#Return a dataframe with the list of clusters
return(cbind(df,as.data.frame(cluster_list)))
}
df_with_cluster<- constrained_cluster(df,capacity = 1000)
我尝试了几种不同的算法，但什么也想不出来。 任何帮助或建议将不胜感激。
解决方法
这样的事情可能会让您入门？
nmax <- 100
num.centers <- 1
km <- kmeans(cbind(df$lat,df$lon),centers = num.centers)
#check if there are no clusters larger than nmax
while (prod(km$size < nmax) == 0) {
num.centers <- num.centers + 1
km <- kmeans(cbind(df$lat,centers = num.centers)
}
plot(df$lon,df$lat,col = km$cluster,pch = 20)
