R语言最大流最小割定理和最短路径算法分析交通网络流量拥堵问题

原文链接：http://tecdat.cn/?p=17635

我们根据一些论文中提到的示例，使用最大流最小割定理将流量拥塞降至最低， 并应用了最短路径分析了交通瓶颈。

我们可以在下面看到




map=openp(map)plot(map)points(t(m[3:2,]),col="black", pch=19, cex=3

要提取有关边缘容量的信息，在该网络上使用以下代码，该代码将从论文中提取三个表




extract_tab(location)

在Windows中，要先下载另一个软件包



library(devtools)

extract_tab(locatio

现在我们可以得出具有容量的数据框



B1=as.data.frame(out[[2]])B2=as.data.frame(out[[3

capacity=as.character(B2$V3[-1])capacity[6]="843"ic(capacity)

我们可以在地图上添加这些边



plot(map)points(t(m[3:2,]),col="black", pch=1

for(i in 1:nrow(E)){i1=which(B$i==as.character(E$from]))segments(B[i1,"x"],B[i1,"y"],B[i2,

text(t(m[3:2,]),c("s",1:10,"t"),col="white")

要获得具有容量的图形，可以使用另一种方法


g=graph_from_data_frame(E)E(g)$label=E$capacityplot(g)

但是它不考虑节点的地理位置。可以使用


plot(g, layout=as.matrix(B[,c("x","y")]))



为了更好地了解道路通行能力，使用


plot(g, layout=as.matrix(B[,c("x","y")]),edge.width=E$capacity/200)

通过具有容量的网络，目标是确定该网络上从源到宿的最大流量。可以使用R


$value[1] 2571

$flow[1] 10 142 130 23 0 2

我们的最大流量为2571，这与两篇论文中的最大流量最小割定理以及 最短路径的应用中都实际要求的不同   ，因为表格和图表上的值不同。



E$flux1=m$flowplot(g, layout=as.matrix(B[,c("x","y")]),

考虑采用更简单的流程，但是相同的全局值






E(g)$label=E$flux2plot(g, layout=as.matrix(B[,c("x","y")]),edge.width=E$flux2/200)

实际上，有可能在同一城市的另一篇论文中做同样的事情，这是道路网络的交通拥堵问题。






dim(out[[3]])B1=aame(from=B1[2:61,"V2"],to=B1[2:6as.numeric(as.charactedata_frame(E)m=max_flow(graph=g,source="S",

E$flux1=m$flowE(g)$label=E

edge.width=E$flux1/200,edge.arrow.size=0.15)

此处的最大流量值为4017，就像原始论文中发现的那样

---