我们通过应用最大流-最小割定理来降低流量拥塞，并结合最短路径分析来研究交通瓶颈。以下是我们如何操作的示例：
我们可以看到：
map=openp(map)plot(map)points(t(m[3:2,]),col="black", pch=19, cex=3
为了提取关于边缘容量的信息，我们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系统中，需要先下载另一个软件包：
library(devtools)extract_tab(location)
现在我们可以得到包含容量的数据框：
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$capacityplot(g)
然而，这种方法不考虑节点的地理位置。可以使用以下代码来解决这个问题：
plot(g, layout=as.matrix(B[,c("x","y")]))
为了更好地了解道路通行能力，可以使用以下代码：
文小言
百度旗下新搜索智能助手，有问题，问小言。
57 查看详情
plot(g, layout=as.matrix(B[,c("x","y")]),edge.width=E$capacity/200)
通过具有容量的网络，目标是确定从源到宿的最大流量。可以使用R语言来实现：
$value[1] 2571$flow[1] 10 142 130 23 0 2
我们的最大流量为2571，这与两篇论文中通过最大流-最小割定理以及最短路径应用所要求的不同，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，但保持相同的全局值：
E(g)$label=E$flux2plot(g, layout=as.matrix(B[,c("x","y")]),edge.width=E$flux2/200)
实际上，在同一城市的另一篇论文中也可以进行类似的分析，这是关于道路网络的交通拥堵问题。
dim(out[[3]])B1=aame(from=B1[2:61,"V2"],to=B1[2:6as.numeric(as.characterdata_frame(E)m=max_flow(graph=g,source="S",E$flux1=m$flowE(g)$label=Eedge.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。
以上就是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的详细内容，更多请关注创想鸟其它相关文章！
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。
如发现本站有涉嫌抄袭侵权/违法违规的内容， 请发送邮件至 chuangxiangniao@163.com 举报，一经查实，本站将立刻删除。
发布者：程序猿，转转请注明出处：https://www.chuangxiangniao.com/p/426476.html
微信扫一扫 
支付宝扫一扫 
