TSP贪心算法使用Python语言，要求完整代码并且可以正常运行

在Python中，我们可以使用贪心算法（例如，克鲁斯卡尔-Kruskal算法或Floyd-Warshall算法）来求解TSP问题的近似解。这里我们使用一种简单的贪心策略——最小生成树算法，但它并不能直接处理TSP，因为TSP需要找到一个回路而不是一棵树。不过，如果我们只关心两点间的最短路径，那么下面的代码将有所帮助。

假设你想从列表`cities`中的每个城市出发，找到到其他所有城市的最短路径，最后回到起点。这是一种简化版本的思路：

import heapq

def tsp_greedy(cities):
    # 创建边列表，包含起始点和每个城市间的距离
    edges = [(0, c, 0) for c in cities] + [(c, cities[0], distance(cities[0], c)) for c in cities[1:]]

    # 使用优先队列存储未添加边的城市及其到达起点的距离
    unvisited = [(0, 0)]
    shortest_path = []

    while unvisited:
        # 提取剩余路径中距离最小的城市
        current_distance, current_city = heapq.heappop(unvisited)

        # 如果已经遍历过这个城市，则跳过
        if len(shortest_path) > 0 and shortest_path[-1][1] == current_city:
            continue

        shortest_path.append((current_city, current_distance))

        # 将尚未加入路径的城市加入堆中
        for neighbor, dist in [(neighbor, distance(current_city, neighbor)) for neighbor in cities if neighbor not in shortest_path]:
            heapq.heappush(unvisited, (current_distance + dist, neighbor))

    # 返回从最后一个城市到第一个城市的路径
    shortest_path.append((cities[0], 0))
    return shortest_path[:-1]

# 距离计算函数，这里用曼哈顿距离做演示
def distance(city1, city2):
    return abs(city1[0] - city2[0]) + abs(city1[1] - city2[1])

# 示例城市列表
cities = [[0, 0], [1, 1], [3, 4], [-5, -6]]
tour = tsp_greedy(cities)
for i, city in enumerate(tour):
    print(f"City {i+1} to City {i+2}: {city}")

请注意，这个示例并不完全满足TSP的要求，因为它仅给出了从最后一个城市到起点的路径，并非完整的环形路径。对于TSP，你需要在算法结束时再连接起点到终点。