什么是最快的数据结构来存储在Python中的启发式解决方案（邻接表/矩阵）？

Question

我正在开发一个启发式的车辆路径问题（VRP）的变化，并希望提高计算运行时间。你知道吗

目前，该解决方案存储为一个字典，其中车辆ID作为密钥，列表中包含客户ID作为值。客户id的序列表示访问序列。 主要的问题是这个解决方案被操纵了很多次（客户改变了位置和/或车辆），我不得不多次迭代这个解决方案来评估这个解决方案。你知道吗

解决方案示例如下：

s = {}
s['v1'] = ['c1', 'c2', 'c3', 'c4']
s['v2'] = ['c5', 'c6']
s['v3'] = ['c7', 'c8', 'c9']

我知道标准的python字典和列表不是最快的选择，我猜在numpy或pandas中有更好的选择。 我遇到了下面的选项，其中dict被转换为df：

df=pd.DataFrame.from_dict(d,orient='index').transpose()

但是，在df列中建模客户序列并不能保持列表的灵活性。你知道吗

你有什么建议可以保留现有的结构吗？你知道吗

作为替代方案，我考虑将structore更改为一个3D二进制矩阵，用于标识客户和车辆分配的顺序。你知道吗

有关使用“解决方案”执行的操作的附加信息：

总体目标是通过多次迭代来改进解决方案，将单个或多组客户从车辆路线中移除并插入其中。目前，这是通过python列表操作符pop（）、remove（）、insert（）完成的。 为了决定要移动哪些客户或在最后计算解决方案的值，启发式方法使用evaluate（）函数（以下版本是一个简化的示例，其中计算每个客户的到达时间，如果车辆迟到，则给出惩罚）：

def evaluate(s, vehicleData, customerData):

  # set objective value == 0:
  obj_val = 0

  # Iterate over all vehicles
  for vehicleId, customerList in s.items():

  # set the current time equal to the start time of the vehicle:
  t_current = vehicleData[vehicleId]['twStart']

  # Iterate over the customers in each vehicle route:
  for customer in customerList:
     # If a vehicle arrives at customer location after the visitation time is over, add a penalty:
     if t_current > customerData[customer]['twEnd']:
        obj_val -= 100000

     # Set t_current == twStart[job] if vehicle is too early:
     if t_current < customerData[customer]['twStart']:
        t_current = customerData[customer]['twStart']

     # Add time per job (tpj) to t_current:
     t_current += customerData[customer]['tpj']

  return obj_val

vehicleData和customerData是数据帧。你知道吗