Python小白的数学建模课-19.网络流优化问题

• 流在生活中十分常见，例如交通系统中的人流、车流、物流，供水管网中的水流，金融系统中的现金流，网络中的信息流。网络流优化问题是基本的网络优化问题，应用非常广泛。
• 网络流优化问题最重要的指标是边的成本和容量限制，既要考虑成本最低，又要满足容量限制，由此产生了网络最大流问题、最小费用流问题、最小费用最大流问题。
• 本文基于 NetworkX 工具包，通过例程详细介绍网络最大流问题、最小费用流问题、最小费用最大流问题的建模和编程。
• 『Python小白的数学建模课 @ Youcans』带你从数模小白成为国赛达人。

1. 网络流优化

1.1 网络流

网络流优化问题是基本的网络优化问题，应用非常广泛，遍及通讯、运输、电力、工程规划、任务分派、设备更新以及计算机辅助设计等领域。

流从源点流出、通过路径输送、流入到汇点，从而将目标从源点输送到汇点。流在生活中十分常见，例如交通系统中的人流、车流、物流，供水管网中的水流，金融系统中的现金流，网络中的信息流。

现实中的任何路径都有最大流量（容量）的限制，在网络中也是如此，并以边的容量（Capacity）表示，一条边的流量不能超过它的容量。

把这些现实问题抽象为网络流问题，其特征是：（1）有向图上的每条边具有容量限制；（2）从源点流出的流量，等于汇点流入的流量；（3）源点和汇点之外的所有中间节点，流出的流量等于流入的流量。

注意在网络流问题中有几组概念容易混淆：

• 源点/汇点，起点/终点，供应点/需求点：源点是只进不出的点，汇点是只出不进的点。源点/汇点 可以指定为问题的 起点/终点，但本质上源点/汇点是由网络结构特征决定的，而不是被指定的。供应点的供应量和需求点的需求量是固定/确定的，而源点/汇点的目标是发出/接收的流量最大，不是固定值。
• 容量 与 流量：容量是路径（边、弧）允许的最大流通能力，用 c(i,j) 表示；流量则是路径（边、弧）上的实际流量，用 f(i,j) 表示。

1.2 典型的网络流优化问题

网络流优化问题最重要的指标是每条边的成本和容量限制，既要考虑成本最低（最短路径问题），又要满足容量限制（最大流问题），由此产生了网络最大流问题、最小费用流问题、最小费用最大流问题。

最大流问题（Maximun flow problem）：已知每条边的容量，研究如何充分利用网络能力，使从源点到汇点的总流量最大，也即在容量网络中求流量最大的可行流。

最小费用流问题（Minimum cost problem）：已知每条边的容量和单位流量的费用，对于给定的源点、汇点流量，研究如何分配流量和路径，使总费用最小，也即在容量费用网络中求成本最低的可行流。

最小费用最大流问题（Minimum cost maximum flow），已知每条边的容量和单位流量的费用，研究网络的流量最大的路径中，费用最小的路径。简单地说，就是满足最大流的路径可能有多条，需要从其中找到成本最低的路径。

Network 工具包求解网络流优化，包括最大流算法、最小割算法、最小费用流算法、最小费用最大流算法、容量缩放最小成本流算法。

2. 网络最大流问题（MFP）

2.1 网络最大流算法

网络最大流问题，是在容量网络 G(V,E) 中求流量 v(f) 达到最大的可行流 f。在最大流问题中，只能有一个源点和一个汇点。

求解网络最大流主要有增广路法和预流推进法两类方法。

增广路方法从一条可行流开始，用 BFS 或 DFS 从源到汇找到一条增广路，沿着该路径修改流量，不断重复这个过程，直到找不到增广路时停止，此时的流就是最大流。增广路方法有多种的实现算法，如 Ford Fulkerson 标号法的算法复杂度为 \\(O(E f)\\)（不稳定），Edmonds Karp 算法的复杂度为 \\(O(V E^2)\\)，Dinic 算法的复杂度为 \\(O(V^2 E)\\)，ISAP 算法的复杂度也是 \\(O(V^2 E)\\)，但其速度是最快的。

预流推进方法也称压入与重标记方法，算法从源点开始向下推流，通过不断地寻找活结点，将流量推向以该点为起点的可推流边（压入过程）；如果在该点处找不到可推流边，则将该点的高度加 1，以实现将过大的流向后推进（重标记过程）。最高标号预流推进（HLPP）算法的复杂度为 \\(O(V^2 E)\\)，改进的 HLPP 算法的复杂度为 \\(O(V^2 \\sqrt{(E)})\\)。

2.2 NetworkX 求解网络最大流问题

Network 工具包提供了多种求解网络最大流问题的算法和函数。其中 maximum_flow()、maximum_flow_value()、minimum_cut()、minimum_cut_value() 是集成了多种算法的通用函数，可以设置算法选项调用对应的算法；其它函数则是具体的算法实现函数。

2.3 maximum_flow() 函数说明

maximum_flow()、maximum_flow_value() 是求解网络最大流问题的通用方法，集成了多种算法可供选择。官网介绍详见：https://networkx.org/documentation/stable/reference/algorithms/flow.html 。

maximum_flow (flowG, _s, _t, capacity=\'capacity\', flow_func=None, *kwargs)
maximum_flow_value (flowG, _s, _t, capacity=\'capacity\', flow_func=None, *kwargs)

主要参数：

• flowG(NetworkX graph)：有向图，边必须带有容量属性 capacity（不能用 \'weight\' ）。
• _s (node)：源点。
• _t (node)：汇点。
• capacity (string)：边的容量属性 capacity，缺省视为无限容量。
• flow_func(function)：调用算法的函数名，如：\'edmonds_karp\', \'shortest_augmenting_path\', \'dinitz\', \'preflow_push\', \'boykov_kolmogorov\'。缺省值 \'None\' ，选择 \'preflow_push\'（HLPP 算法）。

返回值：

• flow_value(integer, float)：网络最大流的流量值
• flow_dict (dict)：字典类型，网络最大流的流经路径及各路径的分配流量

注意：如果要选择指定算法，需要写成以下形式 flow_func=nx.algorithms.flow.edmonds_karp，而不是 flow_func=edmonds_karp。也可以写成：

from networkx.algorithms.flow import edmonds_karp
flowValue, flowDict = nx.maximum_flow(G1, \'s\', \'t\', flow_func=edmonds_karp)

2.4 案例：输油管网的最大流量

问题描述：

在输油管网中，通过输油管连接生产石油的油井、储存石油的油库和转运的中间泵站。各站点之间的连接及管路的容量如图（参见 2.6 程序运行结果图）所示，求从油井到油库的最大流量和具体方案。

问题分析：

这是一个网络最大流问题，可以用顶点表示油井、油库和泵站，其中油井为源点 s、油库为汇点 t，用有向边表示输油管，有向边的权 capacity 表示输油管的最大流量（容量）。

用 NetworkX 的 maximum_flow() 函数即可求出从从源点 s 到汇点 t 的最大流量。

程序说明：

2.5 Python 例程

# mathmodel19_v1.py
# Demo19 of mathematical modeling algorithm
# Demo of network flow problem optimization with NetworkX
# Copyright 2021 YouCans, XUPT
# Crated：2021-07-15

import numpy as np
import matplotlib.pyplot as plt # 导入 Matplotlib 工具包
import networkx as nx # 导入 NetworkX 工具包

# 1. 最大流问题 (Maximum Flow Problem，MFP)
# 创建有向图
G1 = nx.DiGraph() # 创建一个有向图 DiGraph
G1.add_edge(\'s\', \'a\', capacity=6) # 添加边的属性 \"capacity\"
G1.add_edge(\'s\', \'c\', capacity=8)
G1.add_edge(\'a\', \'b\', capacity=3)
G1.add_edge(\'a\', \'d\', capacity=3)
G1.add_edge(\'b\', \'t\', capacity=10)
G1.add_edge(\'c\', \'d\', capacity=4)
G1.add_edge(\'c\', \'f\', capacity=4)
G1.add_edge(\'d\', \'e\', capacity=3)
G1.add_edge(\'d\', \'g\', capacity=6)
G1.add_edge(\'e\', \'b\', capacity=7)
G1.add_edge(\'e\', \'j\', capacity=4)
G1.add_edge(\'f\', \'h\', capacity=4)
G1.add_edge(\'g\', \'e\', capacity=7)
G1.add_edge(\'h\', \'g\', capacity=1)
G1.add_edge(\'h\', \'i\', capacity=3)
G1.add_edge(\'i\', \'j\', capacity=3)
G1.add_edge(\'j\', \'t\', capacity=5)

# 求网络最大流
# maxFlowValue = nx.maximum_flow_value(G1, \'s\', \'t\') # 求网络最大流的值
# maxFlowValue, maxFlowDict = nx.maximum_flow(G1, \'s\', \'t\') # 求网络最大流
from networkx.algorithms.flow import edmonds_karp # 导入 edmonds_karp 算法函数
maxFlowValue, maxFlowDict = nx.maximum_flow(G1, \'s\', \'t\', flow_func=edmonds_karp) # 求网络最大流

# 数据格式转换
edgeCapacity = nx.get_edge_attributes(G1, \'capacity\')
edgeLabel = {} # 边的标签
for i in edgeCapacity.keys(): # 整理边的标签，用于绘图显示
edgeLabel[i] = f\'c={edgeCapacity[i]:}\' # 边的容量
edgeLists = [] # 最大流的边的 list
for i in maxFlowDict.keys():
for j in maxFlowDict[i].keys():
edgeLabel[(i, j)] += \',f=\' + str(maxFlowDict[i][j]) # 取出每条边流量信息存入边显示值
if maxFlowDict[i][j] > 0: # 网络最大流的边（流量>0）
edgeLists.append((i,j))

# 输出显示
print(\"最大流值: \", maxFlowValue)
print(\"最大流的途径及流量: \", maxFlowDict) # 输出最大流的途径和各路径上的流量
print(\"最大流的路径：\", edgeLists) # 输出最大流的途径

# 绘制有向网络图
fig, ax = plt.subplots(figsize=(8, 6))
pos = {\'s\': (1, 8), \'a\': (6, 7.5), \'b\': (9, 8), \'c\': (1.5, 6), \'d\': (4, 6), \'e\': (8, 5.5), # 指定顶点绘图位置
\'f\': (2, 4), \'g\': (5, 4), \'h\': (1, 2), \'i\': (5.5, 2.5), \'j\': (9.5, 2), \'t\': (11, 6)}
edge_labels = nx.get_edge_attributes(G1, \'capacity\')
ax.set_title(\"Maximum flow of petroleum network with NetworkX\") # 设置标题
nx.draw(G1, pos, with_labels=True, node_color=\'c\', node_size=300, font_size=10) # 绘制有向图，显示顶点标签
nx.draw_networkx_edge_labels(G1, pos, edgeLabel, font_color=\'navy\') # 显示边的标签：\'capacity\' + maxFlow
nx.draw_networkx_edges(G1, pos, edgelist=edgeLists, edge_color=\'m\') # 设置指定边的颜色、宽度
plt.axis(\'on\') # Youcans@XUPT
plt.show()

2.6 程序运行结果

最大流值: 14
最大流的途径及流量: {\'s\': {\'a\': 6, \'c\': 8}, \'a\': {\'b\': 3, \'d\': 3}, \'c\': {\'d\': 4, \'f\': 4}, \'b\': {\'t\': 10}, \'d\': {\'e\': 3, \'g\': 4}, \'t\': {}, \'f\': {\'h\': 4}, \'e\': {\'b\': 7, \'j\': 1}, \'g\': {\'e\': 5}, \'j\': {\'t\': 4}, \'h\': {\'g\': 1, \'i\': 3}, \'i\': {\'j\': 3}}
最大流的路径： [(\'s\', \'a\'), (\'s\', \'c\'), (\'a\', \'b\'), (\'a\', \'d\'), (\'c\', \'d\'), (\'c\', \'f\'), (\'b\', \'t\'), (\'d\', \'e\'), (\'d\', \'g\'), (\'f\', \'h\'), (\'e\', \'b\'), (\'e\', \'j\'), (\'g\', \'e\'), (\'j\', \'t\'), (\'h\', \'g\'), (\'h\', \'i\'), (\'i\', \'j\')]

3. 最小费用流问题（MCP）

3.1 最小费用流问题的算法

在实际问题中，我们总是希望在完成运输任务的同时，寻求运输费用最低的方案。最小费用流问题，就是要以最小费用从出发点（供应点）将一定的流量输送到接收点（需求点）。在最小流问题中，供应点、需求点的数量可以是一个或多个，但每个供应点的供应量和需求点的需求量是固定的。

最小费用流问题可以用如下的线性规划问题描述

\\[\\begin{align*}
& min\\;Cost=\\sum_{i=1}^m\\sum_{j=1}^m w_{ij} f_{ij}\\\\
& s.t.:\\;\\begin{cases}
\\sum_{j=1}^m f_{ij} - \\sum_{j=1}^m f_{ji} = v_i\\\\
\\sum_{i=1}^m v_{i} = 0\\\\
0 \\leq f_{ij} \\leq c_{ij} \\;
\\end{cases}
\\end{align*}
\\]

来源：https://www.cnblogs.com/youcans/p/15181104.html
图文来源于网络，如有侵权请联系删除。