Python NetworkX preflow_push用法及代码示例

使用 highest-label preflow-push 算法找到最大 single-commodity 流。

该函数返回计算最大流量后产生的残差网络。有关 NetworkX 用于定义残差网络的约定的详细信息，请参见下文。

该算法对于\(n\) 节点和\(m\) 边的运行时间为\(O(n^2 \sqrt{m})\)。

参数：

G：NetworkX 图

图表的边应该有一个名为‘capacity’ 的属性。如果此属性不存在，则认为边具有无限容量。

s：节点

流的源节点。

t：节点

流的汇节点。

capacity：string

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’。

residual：NetworkX 图

执行算法的残差网络。如果没有，则创建一个新的残差网络。默认值：无。

global_relabel_freq：整数，浮点数

应用全局重新标记启发式加速算法的相对频率。如果为 None，则禁用启发式。默认值：1。

value_only：bool

如果为 False，则计算最大流量；否则，计算足以计算最大流量值的最大预流量。默认值：假。

返回：

R：NetworkX 有向图

计算最大流量后的残差网络。

抛出：

NetworkXError

该算法不支持MultiGraph和MultiDiGraph。如果输入图是这两个类之一的实例，则会引发NetworkXError。

NetworkXUnbounded

如果图具有无限容量的路径，则图上可行流的值在上面是无界的，并且该函数会引发 NetworkXUnbounded。

注意：

来自输入图 G 的残差网络 R 与 G 具有相同的节点。 R 是包含一对边的 DiGraph (u, v) 和 (v, u) iff (u, v) 不是自环，并且在 G 中至少存在 (u, v) 和 (v, u) 之一。对于 R 中的每个节点 u ， R.nodes[u]['excess'] 表示流入 u 和流出 u 之间的差异。

对于 R 中的每条边 (u, v) ，如果 G 中存在 R[u][v]['capacity'] ，则 R[u][v]['capacity'] 等于 G 中的 (u, v) 的容量，否则为零。如果容量是无限的，R[u][v]['capacity'] 将有一个不影响问题求解的高任意有限值。该值存储在 R.graph['inf'] 中。对于R中的每条边(u, v)，R[u][v]['flow']代表(u, v)的流函数，满足R[u][v]['flow'] == -R[v][u]['flow']。

流量值定义为流入 t 的总流量，即接收器，存储在 R.graph['flow_value'] 中。仅使用边 (u, v) 到 t 的可达性使得 R[u][v]['flow'] < R[u][v]['capacity'] 导致最小的 s - t 切割。

例子：

>>> from networkx.algorithms.flow import preflow_push

实现流算法并输出残差网络的函数，例如这个，不会导入到基础NetworkX 命名空间中，因此您必须从流包中显式导入它们。

>>> G = nx.DiGraph()
>>> G.add_edge("x", "a", capacity=3.0)
>>> G.add_edge("x", "b", capacity=1.0)
>>> G.add_edge("a", "c", capacity=3.0)
>>> G.add_edge("b", "c", capacity=5.0)
>>> G.add_edge("b", "d", capacity=4.0)
>>> G.add_edge("d", "e", capacity=2.0)
>>> G.add_edge("c", "y", capacity=2.0)
>>> G.add_edge("e", "y", capacity=3.0)
>>> R = preflow_push(G, "x", "y")
>>> flow_value = nx.maximum_flow_value(G, "x", "y")
>>> flow_value == R.graph["flow_value"]
True
>>> # preflow_push also stores the maximum flow value
>>> # in the excess attribute of the sink node t
>>> flow_value == R.nodes["y"]["excess"]
True
>>> # For some problems, you might only want to compute a
>>> # maximum preflow.
>>> R = preflow_push(G, "x", "y", value_only=True)
>>> flow_value == R.graph["flow_value"]
True
>>> flow_value == R.nodes["y"]["excess"]
True