我需要解决【TSP旅行商】问题，请列出【2】个可以用【Python】编程的优化路径算法，展开写出这【2】个算法的编程难度级别和时间复杂度，罗列出每个算法编程要用到的库。

TSP（Traveling Salesman Problem）旅行商问题是一个经典的组合优化问题，目标是最小化旅行商访问所有城市的总距离。以下是两个常见的用于解决TSP的Python编程优化路径算法：

1. **贪心算法** - 贪心策略通常不是一个最优解的保证方法，但对于TSP来说，一种简单的贪心算法是"nearest neighbor"（最近邻）算法。这种算法从任意起点开始，每次都选择当前未访问的最近的城市，直到所有城市都被访问过一次。

编程难度：初级到中级
时间复杂度：O(n^2)，n为城市数量，因为对于每个城市都要查找其与其他所有城市的距离。
库：基本不需要特定库，只需要列表操作即可，但如果涉及到矩阵运算或地理编码，可能会用到`geopy`等库。

import geopy.distance

def nearest_neighbor(cities):
    tour = [cities[0]]
    current_city = cities[0]
    for city in cities[1:]:
        next_city = min((city, geopy.distance.distance(current_city, city).km), key=lambda x: x[1])[0]
        tour.append(next_city)
        current_city = next_city
    return tour

2. **遗传算法（Genetic Algorithm, GA）** - 这是一种模拟自然选择过程的搜索方法，适用于解决复杂的优化问题。在TSP中，可以将路线视为染色体，并通过交叉、变异等操作生成新的解决方案。

编程难度：高级
时间复杂度：依赖于具体实现，一般不是严格的多项式，可能在大量迭代下达到近似最优解。
库：需要一些专门的遗传算法库，如`deap`（Distributed Evolutionary Algorithms in Python），它提供了一系列工具进行遗传算法的设计和实现。

from deap import base, creator, tools

# ... (遗传算法核心部分，涉及个体编码、适应度函数、选择、交叉、变异等)

def genetic_algorithm(cities, population_size, generations):
    # ... (遗传算法的具体实现)