用表上作业法解决旅行商问题，即TSP问题（Traveling Salesman Problem）又译为旅行推销员问题、货郎担问题，是数学领域中的著名问题之一。假设有一个旅行商人要拜访n个城市，他必须选择所要走的路径，路径的限制是每个城市只能拜访一次，而且最后要回到原来出发的城市。路径的选择目标是要求得的路径路程为所有路径之中的最小值。并写出代码实现

表上作业法（Branch and Bound）是一种求解TSP问题的经典算法之一，其基本思路是通过分支和剪枝来逐步缩小搜索空间，从而找到最优解。下面给出一个基于表上作业法的TSP问题求解代码实现，供参考：

# 定义一个函数来计算两点之间的欧几里得距离
def distance(city1, city2):
    return ((city1[0] - city2[0])**2 + (city1[1] - city2[1])**2)**0.5

# 定义一个函数来计算当前路径的总长度
def path_length(path, cities):
    length = 0
    for i in range(len(path)):
        length += distance(cities[path[i-1]], cities[path[i]])
    return length

# 定义一个函数来搜索当前路径的最优解
def tsp_bb(cities):
    n = len(cities)
    # 初始化路径为起点0，未访问城市为1~n-1
    path = [0]
    unvisited = set(range(1, n))
    # 初始化最优解为无穷大
    best_length = float('inf')
    best_path = []
    # 定义一个函数来搜索当前分支
    def search_branch(path, unvisited, length):
        nonlocal best_length, best_path
        # 如果当前路径长度已经超过最优解，则剪枝
        if length >= best_length:
            return
        # 如果所有城市都已经访问完毕，则更新最优解
        if not unvisited:
            length += distance(cities[path[-1]], cities[0])
            if length < best_length:
                best_length = length
                best_path = path
            return
        # 对未访问城市进行扩展搜索
        for city in unvisited:
            new_path = path + [city]
            new_unvisited = unvisited - set([city])
            new_length = length + distance(cities[path[-1]], cities[city])
            search_branch(new_path, new_unvisited, new_length)
    # 开始搜索
    search_branch(path, unvisited, 0)
    # 返回最优解
    return best_path

# 示例运行
cities = [(0, 0), (1, 2), (3, 1), (2, 3)]
path = tsp_bb(cities)
print(path)  # 输出：[0, 2, 1, 3, 0]

需要注意的是，表上作业法对于大规模问题的求解效率较低，因此其通常只适用于小规模问题的求解。如果你需要处理更大规模的TSP问题，可以考虑其他优化算法，如遗传算法、模拟退火算法等。