Python NetworkX shortest_augmenting_path用法及代码示例

使用最短增广路径算法找到最大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\(O(n^2 m)\)。

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。

value_only：bool

如果 True 仅计算最大流量的值。此参数将被此算法忽略，因为它不适用。

two_phase：bool

如果为 True，则使用 two-phase 变体。 two-phase 变体将 unit-capacity 网络上的运行时间从 \(O(nm)\) 提高到 \(O(\min(n^{2/3}, m^{1/2}) m)\) 。默认值：假。

cutoff：整数，浮点数

如果指定，算法将在流量值达到或超过截止值时终止。在这种情况下，它可能无法立即确定最小切割。默认值：无。

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。如果未指定 cutoff，则仅使用边 (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 shortest_augmenting_path

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 = shortest_augmenting_path(G, "x", "y")
>>> flow_value = nx.maximum_flow_value(G, "x", "y")
>>> flow_value
3.0
>>> flow_value == R.graph["flow_value"]
True