《python数学实验与建模》(10)图论模型

这篇具有很好参考价值的文章主要介绍了《python数学实验与建模》(10)图论模型。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

  • 10.1 写出图10.20所示非赋权无向图的关联矩阵和邻接矩阵

    • 绘制图

      import networkx as nx
      import pylab as plt
      import numpy as np
      A=np.zeros((6,6))
      List=[(1,2),(1,4),(2,3),(3,4),(3,5),(3,6),(4,5),(4,6),(5,6)]
      for i  in List:
          A[i[0]-1,i[1]-1]=1
      G=nx.Graph(A)
      pos=nx.spring_layout(G)
      nx.draw(G,pos,with_labels=True,font_size=12)
      plt.show()
      

    《python数学实验与建模》(10)图论模型

  • 10.2 计算图10.21所示赋权无向图中从 v 1 到 v 5 v_1到v_5 v1v5的最短路径和最短距离

    • 绘制图

      import networkx as nx
      import pylab as plt
      import numpy as np
      LIST=[(1,2,7),(1,3,3),(1,4,12),(2,3,3),(2,6,2),(3,4,8),(4,5,1),(5,6,3)]
      G=nx.Graph()
      G.add_nodes_from(range(1,7))
      G.add_weighted_edges_from(LIST)
      weight=nx.get_edge_attributes(G,'weight')#获取权重信息
      pos=nx.shell_layout(G)
      nx.draw(G,pos,font_size=12,font_weight='bold',with_labels=True)
      nx.draw_networkx_edge_labels(G,pos,edge_labels=weight)
      plt.show()
      

    《python数学实验与建模》(10)图论模型

    • 求解任意两点的最短路

      distance=dict(nx.shortest_path_length(G,weight='weight'))
      a=nx.to_numpy_matrix(G)
      m,n=a.shape
      for i in range(1,m+1):
          for j in range(1,n+1):
                if i!=j:
                    print('{0}到{1}的最短距离为:{2}\n'.format(i, j, distance[i][j]))
                  
      
  • 10.3 求图10.21 所示赋权无向图的最小生成树

    import networkx as nx
    import pylab as plt
    import numpy as np
    LIST=[(1,2,7),(1,3,3),(1,4,12),(2,3,3),(2,6,2),(3,4,8),(4,5,1),(5,6,3)]
    G=nx.Graph()
    G.add_nodes_from(range(1,7))
    G.add_weighted_edges_from(LIST)
    T=nx.minimum_spanning_tree(G)#默认为破圈法
    w=nx.get_edge_attributes(T,'weight')
    print("最小生成树的长度为:",sum(w.values()))
    nx.draw(T,pos=nx.shell_layout(T),with_labels=True,node_color='blue')
    nx.draw_networkx_edge_labels(T,pos=nx.shell_layout(T),edge_labels=w)
    plt.show()
    
    #最小生成树的长度为: 12
    
    

《python数学实验与建模》(10)图论模型

  • 10.4 已知有6个村子,互相间道路的距离如图10.22所示,拟合建一所小学,已知A处有小学生100人,B处80人,C处60 人,D处40人,E处70人,F处90 人。问小学应再建在那个村庄,使学生上学最方便(走的总路程最短)

《python数学实验与建模》(10)图论模型

  • 求每个点到其余各点的最短距离矩阵

  • (每个村庄)人数 × \times × 距离=总路程

    import networkx as nx
    import pylab as plt
    import numpy as np
    #绘制图
    nodes='abcdef'.upper()
    List=[(1,2,2),(1,3,7),(2,3,4),(2,4,6),(2,5,8),(3,4,1),(3,5,3),(4,5,1),(4,6,6),(5,6,3)]
    G=nx.Graph()
    G.add_nodes_from(range(1,7))
    G.add_weighted_edges_from(List)
    w=nx.get_edge_attributes(G,'weight')
    pos=nx.shell_layout(G)
    nx.draw(G,pos,node_color='red',labels=dict(zip(range(1,7),list(nodes))))
    nx.draw_networkx_edge_labels(G,pos,font_size=10,edge_labels=w)
    plt.show()
    #构造最短距离矩阵
    distance=nx.shortest_path_length(G,weight='weight')
    matrix=np.zeros((6,6))
    for i in distance:
        a=i[0]-1
        for j in range(1,7):
            matrix[a][j-1]=i[1][j]
    person=np.array([100,80,60,40,70,90]).reshape(6,1)
    print((matrix@person).flatten())
    
    #结果:
    #[2350. 1870. 1550. 1590. 1710. 2490.] 由此可见应在C处建学校
    
  • 10.5 已知95个目标点的数据(excel),第一列是这95个点的编号,第2,3列是这95个点 x , y x,y x,y 坐标,第4列这些点重要性分类,表明“1”的是第一类重要目标点,表面“2”的是第二列重要点,未标明类别的是一般目标点,第5,6,7列标明了这些点的链接关系。如第三行数据:

    C C C -1160 587.5 D F

    表示顶点 C C C 的坐标为 ( − 1160 , 587.5 ) (-1160,587.5 ) (1160,587.5) ,它是一般目标点, C 点和 D 点, F 点相连 C点和D点,F点相连 C点和D点,F点相连 完成以下问题:

    1. 画出上面的无向图,第一类目标点用 ⋆ \star 表示,第二类目标点用*表示,一般目标点用‘.’这里要求画出无向图的度量图,即各个顶点的位置坐标必须准确(非拓扑图)

    2. 求顶点L到顶点M3的最短距离和最短路径,并画出最短路径

      import networkx as nx
      import pylab as plt
      import math
      import numpy as np
      import pandas as pd
      
      data = pd.read_excel('Pex10_5.xlsx',keep_default_na=False)
      # 获取坐标构造pos
      x_site = data['x坐标'].tolist()
      y_site = data['y坐标'].tolist()
      d = len(x_site)
      position = zip(range(0, d), zip(x_site, y_site))
      pos = dict(position)  # 构造字典
      nodes = data['顶点'].tolist()  # 构造点的标签
      matrix = pd.DataFrame(np.zeros((d, d)), index=nodes, columns=nodes)  # 构造无向图的邻接矩阵
      data1 = data.set_index('顶点')
      pos_alph = dict(zip(nodes, zip(x_site, y_site)))  # 插寻点的坐标
      f = lambda X, Y: np.round(np.sqrt((X[0] - X[1]) ** 2 + (Y[0] - Y[1]) ** 2))
      for i in nodes:
          if len(data1['相邻的顶点1'][i]) != 0:
              temp = data1['相邻的顶点1'][i]
              x1, y1 = pos_alph[i]
              x2, y2 = pos_alph[temp]
              matrix[i][temp] = f([x1, x2], [y1, y2])  # 修改为两点之间的距离
      
          if len(data1['相邻的顶点2'][i]) != 0:
              temp = data1['相邻的顶点2'][i]
              x1, y1 = pos_alph[i]
              x2, y2 = pos_alph[temp]
              matrix[i][temp] = f([x1, x2], [y1, y2])  # 修改为两点之间的距离
      
      x3, y3 = pos_alph['P3']
      x4, y4 = pos_alph['G3']
      x5, y5 = pos_alph['O3']
      
      matrix['P3']['G3'] = f([x3, x4], [y3, y4])
      matrix['O3']['G3'] = f([x3, x5], [y3, y5])
      mat = matrix.T.values  # 转化为上三角矩阵
      
      G=nx.Graph(mat)
      w=nx.get_edge_attributes(G,'weight')
      #求最短距离
      source=nodes.index('L');end=nodes.index('M3')
      dis=nx.shortest_path_length(G,source,end,weight='weight')
      print('L到M3的最短距离为:',dis)
      path=nx.shortest_path(G,source,end)
      print('L到M3的路径为:',path)
      path_edges=list(zip(path,path[1:]))
      #绘制最短路径
      nx.draw(G,pos,node_size=100,node_color='blue',width=0.7,labels=dict(zip(range(d),nodes)),alpha=0.7,font_size=10)
      nx.draw_networkx_edge_labels(G,pos,edge_labels=w,font_size=4)
      nx.draw_networkx_edges(G,pos,edgelist=path_edges,edge_color='red',width=2)
      # 对应的点的标记修改
      data2 = data.set_index('顶点类别')
      point1=data2['顶点'][1].tolist()
      point2=data2['顶点'][2].tolist()
      ind1=[nodes.index(i) for i in point1 if i in nodes]
      ind2=[nodes.index(i) for i in point2 if i in nodes]
      nx.draw_networkx_nodes(G,pos,nodelist=ind1,node_color='red',node_shape='*')
      nx.draw_networkx_nodes(G,pos,nodelist=ind2,node_color='red',node_shape='^')
      plt.show()
      #结果:
      #L到M3的最短距离为: 2613.0
      #L到M3的路径为: [10, 9, 22, 14, 26, 27, 49, 80, 79, 89]
      
      

    《python数学实验与建模》(10)图论模型

    1. 当边的权值为两点之间的距离时,求上面无向图的最小生成树,并画出最小生成树

      import networkx as nx
      import pylab as plt
      import math
      import numpy as np
      import pandas as pd
      
      data = pd.read_excel('Pex10_5.xlsx',keep_default_na=False)
      # 获取坐标构造pos
      x_site = data['x坐标'].tolist()
      y_site = data['y坐标'].tolist()
      d = len(x_site)
      position = zip(range(0, d), zip(x_site, y_site))
      pos = dict(position)  # 构造字典
      nodes = data['顶点'].tolist()  # 构造点的标签
      matrix = pd.DataFrame(np.zeros((d, d)), index=nodes, columns=nodes)  # 构造无向图的邻接矩阵
      data1 = data.set_index('顶点')
      pos_alph = dict(zip(nodes, zip(x_site, y_site)))  # 插寻点的坐标
      f = lambda X, Y: np.round(np.sqrt((X[0] - X[1]) ** 2 + (Y[0] - Y[1]) ** 2))
      print(pos_alph)
      print(data1)
      for i in nodes:
          if len(data1['相邻的顶点1'][i]) != 0:
              temp = data1['相邻的顶点1'][i]
              x1, y1 = pos_alph[i]
              x2, y2 = pos_alph[temp]
              matrix[i][temp] = f([x1, x2], [y1, y2])  # 修改为两点之间的距离
      
          if len(data1['相邻的顶点2'][i]) != 0:
              temp = data1['相邻的顶点2'][i]
              x1, y1 = pos_alph[i]
              x2, y2 = pos_alph[temp]
              matrix[i][temp] = f([x1, x2], [y1, y2])  # 修改为两点之间的距离
      
      x3, y3 = pos_alph['P3']
      x4, y4 = pos_alph['G3']
      x5, y5 = pos_alph['O3']
      
      matrix['P3']['G3'] = f([x3, x4], [y3, y4])
      matrix['O3']['G3'] = f([x3, x5], [y3, y5])
      mat = matrix.T.values  # 转化为上三角矩阵
      
      G=nx.Graph(mat)
      T=nx.minimum_spanning_tree(G)
      w=nx.get_edge_attributes(T,'weight')
      nx.draw(T,pos=pos,labels=dict(zip(range(d), nodes)),node_size=100,font_size=9,node_color='green',width=0.7)
      nx.draw_networkx_edge_labels(T,pos,edge_labels=w,font_size='4')
      print(w)
      plt.show()
      
      

    《python数学实验与建模》(10)图论模型

  • 甲,乙两个煤矿分别生产煤500万吨,供应A,B,C三个电厂发电需要,各电厂用量分别为300,300,400(万吨)。已知煤矿之间,煤矿与电厂之间以及各电厂之间相互距离(单位:km)如表10.5,表10.6,表10.7所示。煤可以直接运达,也可以经转运抵达,试确定从煤矿到各电厂间煤的最优调运方案。

    0 120
    100 0
    A B C
    150 120 80
    60 160 40
    A B C
    A 0 70 100
    B 50 0 120
    C 100 150 0

    参考:2012年数学建模集训小题目 - 豆丁网 (docin.com)

    • 考虑为线性规划问题+图论问题:

      • 求解出在最短路约束下的分配情况
    • 求解最短路:顶点集为 V = { v 1 , v 2 , v 3 , v 4 , v 5 } V=\{v_1,v_2,v_3,v_4,v_5\} V={v1,v2,v3,v4,v5} (甲,乙,A,B,C)边集为相应的路径(权重)

      import networkx as nx
      import pylab as plt
      import numpy as np
      import pandas as pd
      def floyd(graph):
          m = len(graph)
          dis = graph
          path = np.zeros((m, m))  # 路由矩阵初始化
          for k in range(m):
              for i in range(m):
                  for j in range(m):
                      if dis[i][k] + dis[k][j] < dis[i][j]:
                          dis[i][j] = dis[i][k] + dis[k][j]
                          path[i][j] = k#更新先驱点
          return dis, path
      plt.rcParams['font.sans-serif']=['SimHei']
      inf=np.inf
      
      if __name__ == "__main__":
          W=np.array([[0,120,150,120,80],[100,0,60,160,40],[inf,inf,0,70,100],[inf,inf,50,0,120],[inf,inf,100,150,0]])
          nodes=list('甲乙ABC')
          edges=[(i,j,W[i-1,j-1])for i in range(1,6)for j in range (1,6) ]
          edge=edges.copy()
          for i in edges:
              if i[2]==inf or i[2]==0:
                 edge.remove(i)
          G=nx.DiGraph()
          for k in range(len(edge)):
              G.add_edge(edge[k][0]-1,edge[k][1]-1,weight=edge[k][2])
          w=nx.get_edge_attributes(G,'weight')
          nx.draw(G,pos=nx.shell_layout(G),labels=dict(zip(range(5),nodes)),node_color='red')
          nx.draw_networkx_edge_labels(G,nx.shell_layout(G),edge_labels=w)
          plt.show()
          dis,path=floyd(W)#dis 为最短距离矩阵
          mat=dis[0:2,2:]#切片处理
          table=pd.DataFrame(mat,columns=list('ABC'),index=['甲','乙'])
          print(table.to_markdown())#转化为markdown格式
      
      

    《python数学实验与建模》(10)图论模型

    • 最短距离:

      A B C
      150 120 80
      60 130 40
    • 线性规划:

      • x i j x_{ij} xij:第 i i i个煤矿到第 j j j个电厂的调运量
      • c i j c_{ij} cij:第 i i i个煤矿到第 j j j个电厂的最短距离
      • b j b_{j} bj:第 j j j个电厂的需求量
      • a i a_{i} ai:第 i i i个煤矿的产量
      • 目标函数:总吨公里数(吨数 × \times ×公里数)
      • 约束条件:
        • 产量约束
        • 需求量约束
    • 线性规划模型如下:
      m i n    z = ∑ i = 1 2 ∑ j = 3 3 c i j x i j s . t . { ∑ j = 1 3 x i j = a i , i = 1 , 2 ∑ i = 1 2 x i j = b j , j = 1 , 2 , 3 x i j ≥ 0 , i = 1 , 2 ; j = 1 , 2 , 3 min~~z=\sum_{i=1}^2\sum_{j=3}^3c_{ij}x_{ij}\\s.t. \left\{ \begin{aligned} &\sum_{j=1}^3x_{ij}=a_i,i=1,2\\ &\sum_{i=1}^2x_{ij}=b_j,j=1,2,3\\ &x_{ij}\ge0,i=1,2;j=1,2,3 \end{aligned} \right. min  z=i=12j=33cijxijs.t. j=13xij=ai,i=1,2i=12xij=bj,j=1,2,3xij0,i=1,2;j=1,2,3

    • LNGO:

      sets:
      fac/1..2/:a;
      plant/1..3/:b;
      coo(fac,plant):x,c;
      
      endsets
      
      data:
      a=500,500;
      b=300,300,400;
      c=150,120,80,60,130,40;
      enddata
      min=@sum(coo(i,j):c(i,j)*x(i,j));
      @for(fac(i):@sum(plant(j):x(i,j))=a(i));
      @for(plant(j):@sum(fac(i):x(i,j))=b(j));
      
      Objective value:                              78000.00
      
                                           X( 1, 1)        0.00000  
                                           X( 1, 2)        300.0000                                                  
                                           X( 1, 3)        200.0000                                                 
                                           X( 2, 1)        300.0000                                             
                                           X( 2, 2)        0.000000                                          
                                           X( 2, 3)        200.0000                                              
      

      所以应该从甲地运往B地300万吨,C地200万吨;从乙地运往A地300 万吨,C地200万吨

  • 10.7 图10.23 给出了6支球队的比赛结果,即1队战胜2,4,5,6对,而输给了3队;5队战胜3,6队,而输给1,2,4队;等等

《python数学实验与建模》(10)图论模型

  1. 利用竞赛图的适当方法,给出6支球队的一个排名顺序(竞赛图必存在哈密顿圈(不一定回到起始点))参考:《数学模型》(第五版)循环比赛问题

    • 如果可以找到唯一的一条完全路径,则由它经过的顶点的顺序即为排名顺序
    • 如果存在多条路径:
      • 双向连通图:接连矩阵的最大特征值对应的特征向量 → \rightarrow 排名顺序
      • 非双向连通图:无法确定所有队的排名
    • 如图所示已经存在以下两条完全路径:排除第一种情况
    • 3-1-2-4-5-6
    • 1-2-5-3-4-6
  2. 利用PageRank 算法,再次给出6支球队的排名顺序

    import networkx as nx
    import pylab as plt
    import numpy as np
    from scipy.sparse.linalg import eigs
    
    
    # 绘制有向图
    def floyd(graph):
        m = len(graph)
        dis = graph
        path = np.zeros((m, m))  # 路由矩阵初始化
        for k in range(m):
            for i in range(m):
                for j in range(m):
                    if dis[i][k] + dis[k][j] < dis[i][j]:
                        dis[i][j] = dis[i][k] + dis[k][j]
                        path[i][j] = k  # 更新先驱点
        return dis, path
    
    
    if __name__ == '__main__':
        L = [(1, 2), (1, 4), (1, 5), (1, 6), (2, 4), (2, 6), (2, 5), (3, 1), (3, 2), (3, 4), (4, 5), (4, 6), (5, 3), (5, 6),
             (6, 3)]
        G = nx.DiGraph()
        G.add_nodes_from(range(1, 7))
        G.add_edges_from(L)
        matrix = np.array(nx.to_numpy_matrix(G))  # 接连矩阵
        pos = nx.shell_layout(G)
        nx.draw(G, pos, node_size=250, font_weight='bold', node_color='red', with_labels=True, arrowsize=17, width=0.5,
                alpha=0.6)
    
        A1 = matrix.copy()
        A1[A1 == 0] = np.inf
        dis, path = floyd(A1);
        print(dis)  # 可以看出竞赛图是双向连通图
        # 竞赛图算法
        w, v = np.linalg.eig(matrix)
        print(v[:, 0].argsort())  # 1->3->2->5->4->6 排名顺序
        # PageRank 算法
        A2 = matrix / np.tile(matrix.sum(axis=1, keepdims=True), (1, matrix.shape[1]))  # tile 扩展行和
        A2 = 0.15 / matrix.shape[0] + 0.85 * A2  # 构造状态转移矩阵
        W, V = eigs(A2.T, 1)  # 特征值为1时的特征向量
        V = V.real;
        V = V.flatten()  # 展开成一维数组
        V = V / V.sum()  # 向量归一化
        # 绘制柱状图
        plt.figure(2)
        plt.bar(range(1, matrix.shape[0] + 1), V, width=0.7, color='b')
        plt.show()
    #排名为:1->2-> 5-> 4-> 6-> 3
    

    《python数学实验与建模》(10)图论模型

  • 计算如图10.24所示网络的度分布,网络直径,平均路径长度,各节点的聚类系数和整个网络的聚类系数

《python数学实验与建模》(10)图论模型

import networkx as nx
import pylab as plt

L = [(1, 2), (1, 5), (2, 4), (2, 3), (2, 5),
     (3, 5), (3, 4), (5, 6)]
G = nx.Graph()  # 构造无向图
G.add_nodes_from(range(1, 7))  # 添加顶点集
G.add_edges_from(L)
D = nx.diameter(G)  # 求网络直径
LH = nx.average_shortest_path_length(G)  # 求平均路径长度
Ci = nx.clustering(G)  # 求各顶点的聚类系数
C = nx.average_clustering(G)  # 求整个网络的聚类系数
print("网络直径为:", D, "\n平均路径长度为:", LH)
print("各顶点的聚类系数为:")
for index, value in enumerate(Ci.values()):
    print("(顶点v{:d}: {:.4f});".format(index + 1, value), end=' ')
print("\n整个网络的聚类系数为:{:.4f}".format(C))
nx.draw(G, pos=nx.shell_layout(G), with_labels=True)
plt.show()

# 网络直径为: 3 
# 平均路径长度为: 1.5333333333333334
# 各顶点的聚类系数为:
# (顶点v1: 1.0000); (顶点v2: 0.5000); (顶点v3: 0.6667); (顶点v4: 1.0000); (顶点v5: 0.3333); (顶点v6: 0.0000); 
# 整个网络的聚类系数为:0.5833

文章来源地址https://www.toymoban.com/news/detail-446247.html

到了这里,关于《python数学实验与建模》(10)图论模型的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。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。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • 数学建模——图论学习

    一、图论基础 图分为有限图与无限图两类,本课只涉及有限图,即顶点和边都是有限集合 (2)有向图:每一条边都是有向的 无向图:每一条边都是无向的 除外都是混合图  注意:有向图边的描述{1.每一条边都需要描述到   2.始点,终点 (3)邻接点:两个结点之间有一条边

    2024年02月04日
    浏览(44)
  • 数学建模-图论 最短路径

    作图

    2024年02月16日
    浏览(36)
  • 线性规划模型(数学建模python版)

    前言:本篇文章只涉及问题的应用层面(如何调用包调用函数,如何把问题归结为一般形式方便使用第三方库中的函数求解),不涉及问题的具体求解原理。 首先回顾一下高中学过的线性规划:求一个线性目标函数在先行可行域内的 最值问题。 高中遇到的问题:配送运输问

    2024年02月20日
    浏览(39)
  • [数学建模]图论之最短路径问题

    目录 一、引入图论  二、图的基本概念与数据结构 1.基本概念  2.图与网络结构 1.邻接矩阵表示法  2.稀疏矩阵表示法 三、最短路径问题 1、迪杰斯特拉(Dijkstra)算法 2、贝尔曼-福特(Bellman-Ford)算法 3、弗洛伊德(Floyd)算法         图论起源于18世纪,近几十年来,计

    2024年02月06日
    浏览(46)
  • 【Python数学建模常用算法代码——蒙特卡洛模型】

    蒙特卡洛方法的理论支撑其实是概率论或统计学中的大数定律。基本原理简单描述是先大量模拟,然后计算一个事件发生的次数,再通过这个发生次数除以总模拟次数,得到想要的结果。下面我们以三个经典的小实验来学习下蒙特卡洛算法思想。 实验原理 在正方形内部有一

    2024年02月02日
    浏览(50)
  • 数学建模--决策树的预测模型的Python实现

    目录 1.算法流程简介 2.算法核心代码 3.算法效果展示

    2024年02月08日
    浏览(50)
  • 【数学建模】Python+Gurobi求解非线性规划模型

    目录 1 概述 2 算例  2.1 算例 2.2 参数设置 2.3 Python代码实现 2.4 求解结果 如果目标函数或约束条件中包含非线性函数,就称这种规划问题为非线性规划问题。 参考:(非线性规划Python)计及动态约束及节能减排环保要求的经济调度 2.1 算例 2.2 参数设置 求解NLP/非凸问题时,

    2024年02月09日
    浏览(43)
  • 图论及其应用(基础知识)(1)(数学建模基础速成)

    能否从任一陆地出发通过每座桥恰好一次而 回到出发点? 你要是自己做过,就会显而易见的发现这道题是 没有答案 的(遵守规则以及图形规定的情况下) 欧拉就这个问题说过: 如果每块陆地所连接的桥都是 偶数 座,则从任一陆地出发,必能通过每座桥恰好一次而回到出

    2023年04月08日
    浏览(36)
  • 图论在数学建模中的应用及MATLAB实现

    目录 图论基本概念 图论原理 1. 最短路径问题

    2024年02月08日
    浏览(41)
  • 图论最短路径求解——手把手教你数学建模

    很多朋友在学习图论,或是数学建模的时候都会碰到最短路径问题。本讲将从如何作图开始,手把手教你图论中的最短路径问题。根据图的不同,我们将介绍两种不同的算法:迪杰斯特拉Dijkstra算法和Bellman‐Ford(贝尔曼‐福特)算法。 在线作图:https://csacademy.com/app/graph_ed

    2024年02月16日
    浏览(40)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包