Python NetworkX minimum_st_edge_cut用法及代碼示例

本文簡要介紹 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 的邊。

此函數返回最小基數的邊集，如果刪除，將破壞 G 中源和目標之間的所有路徑。不考慮邊權重。請參閱minimum_cut() 以計算考慮邊權重的最小切割。

參數：

G：NetworkX 圖
s：節點: 流的源節點。
t：節點: 流的匯節點。
auxiliary：NetworkX 有向圖: 用於計算基於流的節點連接性的輔助有向圖。它必須有一個稱為映射的圖形屬性，在 G 和輔助有向圖中有一個字典映射節點名稱。如果提供，它將被重用而不是重新創建。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())。有關詳細信息，請參閱node_connectivity()。默認函數的選擇可能會因版本而異，不應依賴。默認值：無。
residual：NetworkX 有向圖: 計算最大流量的殘差網絡。如果提供，它將被重用而不是重新創建。默認值：無。

cutset：set: 一組邊，如果從圖中刪除，將斷開它。

例子：

此函數未在基本 NetworkX 命名空間中導入，因此您必須從連接包中顯式導入它：

>>> from networkx.algorithms.connectivity import minimum_st_edge_cut

我們在這個例子中使用了柏拉圖式二十麵體圖，它的邊連通性為 5。

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

如果需要在同一個圖中計算多對節點的局部邊割，建議重用NetworkX在計算中使用的數據結構：邊連接的輔助有向圖，底層的殘差網絡最大流量計算。

如何計算重用數據結構的柏拉圖二十麵體圖的所有節點對之間的局部邊切割的示例。

>>> 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

您還可以使用替代流算法來計算邊切割。例如，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
>>> len(minimum_st_edge_cut(G, 0, 6, flow_func=shortest_augmenting_path))
5

相關用法

注：本文由純淨天空篩選整理自networkx.org大神的英文原創作品 networkx.algorithms.connectivity.cuts.minimum_st_edge_cut。非經特殊聲明，原始代碼版權歸原作者所有，本譯文未經允許或授權，請勿轉載或複製。

用法:

參數：

返回：

例子：