network_simplex#
- network_simplex(G, demand='demand', capacity='capacity', weight='weight')[源代码]#
在有向图G中找到满足所有需求的最小成本流。
这是一个原始的网络单纯形算法,使用离开弧规则来防止循环。
G是一个有向图,具有边缘成本和容量,其中节点有需求,即它们希望发送或接收一定数量的流。负需求意味着节点想要发送流,正需求意味着节点想要接收流。如果流入每个节点的净流量等于该节点的需求,则有向图G上的流量满足所有需求。
- 参数
- G网络X图表
能找到满足所有要求的最小费用流的有向图。
- demand字符串
图G的节点预期具有属性Demand,该属性指示节点想要发送(负需求)或接收(正需求)多少流。注意需求的总和应该是0,否则问题就不可行。如果该属性不存在,则节点被视为具有0需求。默认值:‘Demand’。
- capacity字符串
图G的边被期望具有指示该边可以支持多少流的属性容量。如果不存在该属性,则认为该边具有无限容量。默认值:‘Capacity’。
- weight字符串
图G的边预期具有属性权重,该属性权重指示在该边上发送一个单元流所产生的成本。如果不存在,则认为权重为0。缺省值:‘权重’。
- 返回
- flowCost整数、浮点数
满足所有需求的最小成本流的成本。
- flowDict词典
以节点为关键字的字典的字典,如Flow Dict [u] [v] 是流动边(u,v)。
- 加薪
- NetworkXError
如果输入图形未定向或未连接,则会引发此异常。
- NetworkXUnfeasible
在以下情况下会引发此异常:
这些要求的总和不是零。那么,就没有满足所有需求的流了。
没有能满足所有需求的流量。
- NetworkXUnbounded
如果有向图G有一个负成本和无限容量的圈,则会引发这个例外。然后,满足所有需求的流的成本在下面是无界的。
笔记
如果边缘权重或需求是浮点数(溢出和舍入错误可能导致问题),则该算法无法保证工作。作为解决方法,您可以使用整数,方法是将相关的边缘属性乘以一个方便的常量因子(例如100)。
工具书类
- 1
Z.Kiraly,P.Kovacs。有效实施最低成本流算法。萨皮蒂大学学报,信息学4(1):67-118。2012。
- 2
R.Barr、F.Glover、D.Klingman。网络优化的生成树标记程序的增强。信息17(1):16-34。1979。
实例
最小成本流问题的一个简单例子。
>>> G = nx.DiGraph() >>> G.add_node("a", demand=-5) >>> G.add_node("d", demand=5) >>> G.add_edge("a", "b", weight=3, capacity=4) >>> G.add_edge("a", "c", weight=6, capacity=10) >>> G.add_edge("b", "d", weight=1, capacity=9) >>> G.add_edge("c", "d", weight=2, capacity=5) >>> flowCost, flowDict = nx.network_simplex(G) >>> flowCost 24 >>> flowDict {'a': {'b': 4, 'c': 1}, 'd': {}, 'b': {'d': 4}, 'c': {'d': 1}}
最小成本流算法也可以用来解决最短路径问题。为了找到两个节点u和v之间的最短路径,给所有边一个无限的容量,给节点u一个-1的需求,给节点v一个1的需求。然后运行网络单工。最小成本流的值将是U和V之间的距离,带正流的边将指示路径。
>>> G = nx.DiGraph() >>> G.add_weighted_edges_from( ... [ ... ("s", "u", 10), ... ("s", "x", 5), ... ("u", "v", 1), ... ("u", "x", 2), ... ("v", "y", 1), ... ("x", "u", 3), ... ("x", "v", 5), ... ("x", "y", 2), ... ("y", "s", 7), ... ("y", "v", 6), ... ] ... ) >>> G.add_node("s", demand=-1) >>> G.add_node("v", demand=1) >>> flowCost, flowDict = nx.network_simplex(G) >>> flowCost == nx.shortest_path_length(G, "s", "v", weight="weight") True >>> sorted([(u, v) for u in flowDict for v in flowDict[u] if flowDict[u][v] > 0]) [('s', 'x'), ('u', 'v'), ('x', 'u')] >>> nx.shortest_path(G, "s", "v", weight="weight") ['s', 'x', 'u', 'v']
可以更改算法所用属性的名称。
>>> G = nx.DiGraph() >>> G.add_node("p", spam=-4) >>> G.add_node("q", spam=2) >>> G.add_node("a", spam=-2) >>> G.add_node("d", spam=-1) >>> G.add_node("t", spam=2) >>> G.add_node("w", spam=3) >>> G.add_edge("p", "q", cost=7, vacancies=5) >>> G.add_edge("p", "a", cost=1, vacancies=4) >>> G.add_edge("q", "d", cost=2, vacancies=3) >>> G.add_edge("t", "q", cost=1, vacancies=2) >>> G.add_edge("a", "t", cost=2, vacancies=4) >>> G.add_edge("d", "w", cost=3, vacancies=4) >>> G.add_edge("t", "w", cost=4, vacancies=1) >>> flowCost, flowDict = nx.network_simplex( ... G, demand="spam", capacity="vacancies", weight="cost" ... ) >>> flowCost 37 >>> flowDict {'p': {'q': 2, 'a': 2}, 'q': {'d': 1}, 'a': {'t': 4}, 'd': {'w': 2}, 't': {'q': 1, 'w': 1}, 'w': {}}