当前位置: 首页>>代码示例 >>用法及示例精选 >>正文


Python NetworkX min_cost_flow_cost用法及代码示例


本文简要介绍 networkx.algorithms.flow.min_cost_flow_cost 的用法。

用法:

min_cost_flow_cost(G, demand='demand', capacity='capacity', weight='weight')

求满足有向图 G 中所有需求的最小成本流的成本。

G 是一个有边成本和容量的有向图,其中节点有需求,即它们想要发送或接收一定量的流量。负需求意味着节点想要发送流量,正需求意味着节点想要接收流量。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

GNetworkX 图

DiGraph 找到满足所有需求的最小成本流。

demandstring

图 G 的节点预计具有一个属性需求,该属性指示节点想要发送(负需求)或接收(正需求)多少流量。请注意,需求之和应为 0,否则问题不可行。如果此属性不存在,则认为节点的需求为 0。默认值:‘demand’。

capacitystring

图 G 的边应该有一个属性容量,表示边可以支持多少流量。如果此属性不存在,则认为边具有无限容量。默认值:‘capacity’。

weightstring

图 G 的边应该有一个属性权重,该属性权重指示在该边上发送一个单位的流量所产生的成本。如果不存在,则认为权重为 0。默认值:‘weight’。

返回

flowCost整数,浮点数

满足所有需求的最小成本流的成本。

抛出

NetworkXError

如果输入图未定向或未连接,则会引发此异常。

NetworkXUnfeasible

在以下情况下会引发此异常:

  • 需求之和不为零。那么,就没有满足所有需求的流程。

  • 没有满足所有需求的流量。

NetworkXUnbounded

如果有向图 G 具有负成本和无限容量的循环,则会引发此异常。那么,满足所有需求的流程的成本在下面是无界的。

注意

如果边权重或需求是浮点数(溢出和舍入错误可能导致问题),则不保证此算法有效。作为一种解决方法,您可以通过将相关边属性乘以一个方便的常数因子(例如 100)来使用整数。

例子

最小成本流问题的一个简单示例。

>>> 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 = nx.min_cost_flow_cost(G)
>>> flowCost
24

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.flow.min_cost_flow_cost。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。