Python NetworkX minimum_node_cut用法及代碼示例

返回一組斷開 G 的最小基數的節點。

如果提供了源節點和目標節點，則此函數返回一組最小基數的節點，如果將其刪除，將破壞 G 中源和目標之間的所有路徑。如果沒有，則返回一組斷開 G 的最小基數節點。

參數：

G：NetworkX 圖

s：節點

源節點。可選的。默認值：無。

t：節點

目標節點。可選的。默認值：無。

flow_func：函數

用於計算一對節點之間的最大流量的函數。該函數必須接受至少三個參數：有向圖、源節點和目標節點。並返回遵循NetworkX 約定的殘差網絡(有關詳細信息，請參閱maximum_flow())。如果 flow_func 為 None，則使用默認的最大流量函數 (edmonds_karp())。詳情見下文。默認函數的選擇可能會因版本而異，不應依賴。默認值：無。

返回：

cutset：set

如果刪除，將斷開 G 的節點集。如果提供了源節點和目標節點，則該集包含如果刪除，將破壞源和目標之間的所有路徑的節點。

注意：

這是最小節點切割的基於流程的實現。該算法基於求解大量最大流計算，以確定輔助有向網絡上對應於 G 的最小節點割的最小割的容量。它可以處理有向圖和無向圖。該實現基於[1]中的算法11。

參考：

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

您可以為底層最大流量計算使用替代流量算法。在密集網絡中，算法 shortest_augmenting_path() 通常會比默認的 edmonds_karp() 執行得更好，這對於具有高度傾斜度分布的稀疏網絡來說更快。替代流函數必須從流包中顯式導入。

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

如果您指定一對節點(源和目標)作為參數，此函數將返回一個本地 st 節點切割。

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

如果您需要在同一圖上的不同節點對之間執行多個局部 st 切割，建議您重用最大流計算中使用的數據結構。有關詳細信息，請參閱 minimum_st_node_cut() 。