当前位置: 首页>>代码示例 >>用法及示例精选 >>正文


Python NetworkX minimum_node_cut用法及代码示例


本文简要介绍 networkx.algorithms.connectivity.cuts.minimum_node_cut 的用法。

用法:

minimum_node_cut(G, s=None, t=None, flow_func=None)

返回一组断开 G 的最小基数的节点。

如果提供了源节点和目标节点,则此函数返回一组最小基数的节点,如果将其删除,将破坏 G 中源和目标之间的所有路径。如果没有,则返回一组断开 G 的最小基数节点。

参数

GNetworkX 图
s节点

源节点。可选的。默认值:无。

t节点

目标节点。可选的。默认值:无。

flow_func函数

用于计算一对节点之间的最大流量的函数。该函数必须接受至少三个参数:有向图、源节点和目标节点。并返回遵循NetworkX 约定的残差网络(有关详细信息,请参阅maximum_flow())。如果 flow_func 为 None,则使用默认的最大流量函数 (edmonds_karp())。详情见下文。默认函数的选择可能会因版本而异,不应依赖。默认值:无。

返回

cutsetset

如果删除,将断开 G 的节点集。如果提供了源节点和目标节点,则该集包含如果删除,将破坏源和目标之间的所有路径的节点。

注意

这是最小节点切割的基于流程的实现。该算法基于求解大量最大流计算,以确定辅助有向网络上对应于 G 的最小节点割的最小割的容量。它可以处理有向图和无向图。该实现基于[1]中的算法11。

参考

1

Abdol-Hossein Esfahanian. Connectivity Algorithms. http://www.cse.msu.edu/~cse835/Papers/Graph_connectivity_revised.pdf

例子

>>> # Platonic icosahedral graph has node connectivity 5
>>> G = nx.icosahedral_graph()
>>> node_cut = nx.minimum_node_cut(G)
>>> len(node_cut)
5

您可以为底层最大流量计算使用替代流量算法。在密集网络中,算法 shortest_augmenting_path() 通常会比默认的 edmonds_karp() 执行得更好,这对于具有高度倾斜度分布的稀疏网络来说更快。替代流函数必须从流包中显式导入。

>>> from networkx.algorithms.flow import shortest_augmenting_path
>>> node_cut == nx.minimum_node_cut(G, flow_func=shortest_augmenting_path)
True

如果您指定一对节点(源和目标)作为参数,此函数将返回一个本地 st 节点切割。

>>> len(nx.minimum_node_cut(G, 3, 7))
5

如果您需要在同一图上的不同节点对之间执行多个局部 st 切割,建议您重用最大流计算中使用的数据结构。有关详细信息,请参阅 minimum_st_node_cut()

相关用法


注:本文由纯净天空筛选整理自networkx.org大神的英文原创作品 networkx.algorithms.connectivity.cuts.minimum_node_cut。非经特殊声明,原始代码版权归原作者所有,本译文未经允许或授权,请勿转载或复制。