Python NetworkX minimum_st_edge_cut用法及代码示例

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

用法: minimum_st_edge_cut(G, s, t, flow_func=None, auxiliary=None, residual=None)

返回最小 (s, t) 割的cut-set 的边。

此函数返回最小基数的边集，如果删除，将破坏 G 中源和目标之间的所有路径。不考虑边权重。请参阅minimum_cut() 以计算考虑边权重的最小切割。

参数：

G：NetworkX 图
s：节点: 流的源节点。
t：节点: 流的汇节点。
auxiliary：NetworkX 有向图: 用于计算基于流的节点连接性的辅助有向图。它必须有一个称为映射的图形属性，在 G 和辅助有向图中有一个字典映射节点名称。如果提供，它将被重用而不是重新创建。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())。有关详细信息，请参阅node_connectivity()。默认函数的选择可能会因版本而异，不应依赖。默认值：无。
residual：NetworkX 有向图: 计算最大流量的残差网络。如果提供，它将被重用而不是重新创建。默认值：无。

cutset：set: 一组边，如果从图中删除，将断开它。

例子：

此函数未在基本 NetworkX 命名空间中导入，因此您必须从连接包中显式导入它：

>>> from networkx.algorithms.connectivity import minimum_st_edge_cut

我们在这个例子中使用了柏拉图式二十面体图，它的边连通性为 5。

>>> G = nx.icosahedral_graph()
>>> len(minimum_st_edge_cut(G, 0, 6))
5

如果需要在同一个图中计算多对节点的局部边割，建议重用NetworkX在计算中使用的数据结构：边连接的辅助有向图，底层的残差网络最大流量计算。

如何计算重用数据结构的柏拉图二十面体图的所有节点对之间的局部边切割的示例。

>>> import itertools
>>> # You also have to explicitly import the function for
>>> # building the auxiliary digraph from the connectivity package
>>> from networkx.algorithms.connectivity import build_auxiliary_edge_connectivity
>>> H = build_auxiliary_edge_connectivity(G)
>>> # And the function for building the residual network from the
>>> # flow package
>>> from networkx.algorithms.flow import build_residual_network
>>> # Note that the auxiliary digraph has an edge attribute named capacity
>>> R = build_residual_network(H, "capacity")
>>> result = dict.fromkeys(G, dict())
>>> # Reuse the auxiliary digraph and the residual network by passing them
>>> # as parameters
>>> for u, v in itertools.combinations(G, 2):
...     k = len(minimum_st_edge_cut(G, u, v, auxiliary=H, residual=R))
...     result[u][v] = k
>>> all(result[u][v] == 5 for u, v in itertools.combinations(G, 2))
True

您还可以使用替代流算法来计算边切割。例如，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
>>> len(minimum_st_edge_cut(G, 0, 6, flow_func=shortest_augmenting_path))
5

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_st_edge_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。

用法:

参数：

返回：

例子：