【数学建模】——【python】实现【最短路径】【最小生成树】【复杂网络分析】

目录

1. 最短路径问题 - 绘制城市间旅行最短路径图

题目描述：

要求：

示例数据：

python 代码实现

实现思想：

要点：

2. 最小生成树问题 - Kruskal算法绘制MST

题目描述：

要求：

示例数据：

python代码实现

实现思想：

要点：

3. 结合最短路径与最小生成树的复杂网络分析

题目描述：

python代码

实现思想： 

要点：

总结三个问题

ce6fbd68767d465bbe94b775b8b811db.png

731bd47804784fa2897220a90a387b28.gif

专栏：数学建模学习笔记

上一篇：【数学建模】图与网络模型的学习

本篇是题目练习

1. 最短路径问题 - 绘制城市间旅行最短路径图

题目描述：

假设有一个包含多个城市及其之间距离的列表（或图结构），其中每个城市是图中的一个节点，城市之间的距离是边的权重。使用Dijkstra算法或Floyd-Warshall算法（视情况而定，如果图中节点数较多，推荐使用Dijkstra；如果需要求出所有点对间的最短路径，则使用Floyd-Warshall）来计算并绘制出从一个指定城市到其他所有城市的最短路径图。

要求：

（1）使用Python编程，可以利用networkx库来构建图和处理图算法。

（2）绘制结果应包含所有节点（城市）和表示最短路径的边，边的粗细或颜色可以表示距离长短。

（3）标注每条边的权重（距离）。

（4）城市的数量N通过键盘输入，城市之间的距离通过随机数生成。

示例数据：

# 城市间的距离矩阵（假设为完全图，即任意两城市间都有直接路径）  

distances = [  

    [0, 5, 10, 15],  

    [5, 0, 3, 8],  

    [10, 3, 0, 6],  

    [15, 8, 6, 0]  

]  

# 假设城市名称为 A, B, C, D

python 代码实现

import networkx as nx
import matplotlib.pyplot as plt
import numpy as np
import matplotlib.font_manager as fm# 设置中文字体
plt.rcParams['font.sans-serif'] = ['SimHei']  # 使用黑体
plt.rcParams['axes.unicode_minus'] = False  # 解决负号显示问题# 输入城市数量
N = int(input("请输入城市数量: "))# 生成随机的距离矩阵，距离在1到20之间
distances = np.random.randint(1, 21, size=(N, N))
np.fill_diagonal(distances, 0)  # 对角线距离为0# 打印生成的距离矩阵
print("城市间的距离矩阵：")
print(distances)# 创建图并添加边
G = nx.Graph()# 添加节点
cities = [chr(i) for i in range(65, 65 + N)]  # 使用A, B, C...表示城市
G.add_nodes_from(cities)# 添加边及其权重
for i in range(N):for j in range(i + 1, N):G.add_edge(cities[i], cities[j], weight=distances[i][j])# 输入起始城市
start_city = input(f"请输入起始城市({', '.join(cities)}): ")# 使用Dijkstra算法计算从起始城市到所有其他城市的最短路径
lengths, paths = nx.single_source_dijkstra(G, source=start_city)# 打印最短路径信息
print("从起始城市到其他城市的最短路径：")
for target in cities:print(f"{start_city}到{target}的最短路径为{paths[target]}，距离为{lengths[target]}")# 获取从起始城市到最后一个城市的最短路径
end_city = cities[-1]
shortest_path = paths[end_city]# 绘制图形
pos = nx.spring_layout(G)# 创建绘图区域
fig, ax = plt.subplots()# 绘制所有节点
nx.draw_networkx_nodes(G, pos, node_size=500, ax=ax)# 绘制所有边并根据权重调整颜色和宽度
edges = G.edges(data=True)
edge_colors = [edge[2]['weight'] for edge in edges]
edge_widths = [edge[2]['weight'] / 5 for edge in edges]
edges_drawn = nx.draw_networkx_edges(G, pos, edgelist=edges, width=edge_widths, edge_color=edge_colors, edge_cmap=plt.cm.Blues, ax=ax)# 绘制最短路径的边，使用不同颜色和宽度
path_edges = [(shortest_path[i], shortest_path[i + 1]) for i in range(len(shortest_path) - 1)]
nx.draw_networkx_edges(G, pos, edgelist=path_edges, width=2, edge_color='r', ax=ax)# 绘制节点标签
nx.draw_networkx_labels(G, pos, font_size=12, font_color='black', ax=ax)# 绘制边标签
edge_labels = {(edge[0], edge[1]): edge[2]['weight'] for edge in edges}
nx.draw_networkx_edge_labels(G, pos, edge_labels=edge_labels, ax=ax)# 创建颜色映射条
sm = plt.cm.ScalarMappable(cmap=plt.cm.Blues, norm=plt.Normalize(vmin=min(edge_colors), vmax=max(edge_colors)))
sm.set_array([])  # 仅用于显示色条
fig.colorbar(sm, ax=ax, label='距离')# 显示图形
plt.title(f"从城市 {start_city} 到城市 {end_city} 的最短路径图")
plt.axis('off')
plt.show()

请输入城市数量: 5
城市间的距离矩阵：
[[ 0  3  6  1 16]
 [18  0  9 11  3]
 [16  2  0  5 11]
 [ 9  8  1  0 17]
 [ 2  7  1  3  0]]
请输入起始城市(A, B, C, D, E): A
从起始城市到其他城市的最短路径：
A到A的最短路径为['A']，距离为0
A到B的最短路径为['A', 'B']，距离为3
A到C的最短路径为['A', 'C']，距离为6
A到D的最短路径为['A', 'D']，距离为1
A到E的最短路径为['A', 'B', 'E']，距离为6

实现思想：

  1. 图的表示与构建：

    • 使用图数据结构表示城市和它们之间的距离。节点表示城市，边的权重表示城市之间的距离。
    • 通过一个距离矩阵来表示各城市间的距离。

  2. Dijkstra算法：

    • 用于计算从一个指定城市（源城市）到其他所有城市的最短路径。
    • 该算法适用于无负权边的图，通过贪心策略找到最短路径。

  3. 可视化：

    • 使用 networkx 库构建图并计算最短路径。
    • 使用 matplotlib 库绘制图形，展示所有城市及其间的最短路径。

要点：

  1. 构建随机距离矩阵：

    • 随机生成一个 N x N 的矩阵，表示 N 个城市间的距离。对角线元素为0（表示城市与自身的距离为0）。

  2. 构建图并添加边：

    • 使用 networkx.Graph() 创建图对象。
    • 使用嵌套的 for 循环，将矩阵中的距离作为边的权重添加到图中。

  3. 计算最短路径：

    • 使用 nx.single_source_dijkstra 函数，计算从指定源城市到所有其他城市的最短路径和路径长度。

  4. 绘制图形：

    • 使用 nx.spring_layout 生成图节点的布局。
    • 使用 nx.draw 和 nx.draw_networkx_edge_labels 绘制图和边的权重。
    • 突出显示最短路径，使用不同颜色或加粗显示。

2. 最小生成树问题 - Kruskal算法绘制MST

题目描述：

给定一个无向带权图，使用Kruskal算法找到并绘制该图的最小生成树（MST）。最小生成树是图中的一个子图，它包含图中所有顶点且边的权重之和最小。

要求：

（1）使用networkx库来处理图结构。

（2）绘制结果应清晰地展示MST中的所有边和顶点，并且可以通过边的颜色或粗细来区分MST中的边与其他边。

（3）标注MST的总权重。

示例数据：

# 边列表，每个元素是一个三元组(起点, 终点, 权重)  

edges = [  

    ('A', 'B', 1),  

    ('A', 'C', 4),  

    ('A', 'D', 7),  

    ('B', 'C', 2),  

    ('B', 'D', 5),  

    ('C', 'D', 3),  

    ('C', 'E', 6),  

    ('D', 'E', 8)  

]

python代码实现

import networkx as nx
import matplotlib.pyplot as plt# 边列表，每个元素是一个三元组(起点 终点 权重)
edges = [('A', 'B', 1),('A', 'C', 4),('A', 'D', 7),('B', 'C', 2),('B', 'D', 5),('C', 'D', 3),('C', 'E', 6),('D', 'E', 8)
]# 构建图
G = nx.Graph()
G.add_weighted_edges_from(edges)# 使用Kruskal算法计算MST
mst = nx.minimum_spanning_tree(G, algorithm='kruskal')# 绘制图
pos = nx.spring_layout(G)
plt.figure(figsize=(10, 8))# 绘制原始图
nx.draw(G, pos, with_labels=True, node_size=500, node_color="lightblue", alpha=0.6)
labels = nx.get_edge_attributes(G, 'weight')
nx.draw_networkx_edge_labels(G, pos, edge_labels=labels)# 绘制MST
nx.draw(mst, pos, with_labels=True, node_size=500, node_color="lightgreen", edge_color="red", width=2)
labels_mst = nx.get_edge_attributes(mst, 'weight')
nx.draw_networkx_edge_labels(mst, pos, edge_labels=labels_mst)# 计算MST的总权重
total_weight = mst.size(weight='weight')
plt.title(f"Minimum Spanning Tree (Total Weight: {total_weight})")
plt.show()

实现思想：

  1. 图的表示与构建：

    • 使用图数据结构表示城市和它们之间的距离。节点表示城市，边的权重表示城市之间的距离。
    • 使用边列表表示图，其中每个元素是一个三元组 (起点, 终点, 权重)。

  2. Kruskal算法：

    • 用于找到图的最小生成树（MST）。
    • 通过贪心策略，逐步选择权重最小的边，构建权重和最小的树。

  3. 可视化：

    • 使用 networkx 库构建图并计算MST。
    • 使用 matplotlib 库绘制图形，展示MST的所有节点和边。

要点：

  1. 定义边列表：

    • 创建一个包含边的列表，每个元素是一个三元组 (起点, 终点, 权重)。

  2. 构建图并添加边：

    • 使用 networkx.Graph() 创建图对象。
    • 使用 G.add_weighted_edges_from(edges) 添加边到图中。

  3. 计算MST：

    • 使用 nx.minimum_spanning_tree(G, algorithm='kruskal') 计算图的最小生成树。

  4. 绘制图形：

    • 使用 nx.spring_layout 生成图节点的布局。
    • 使用 nx.draw 和 nx.draw_networkx_edge_labels 绘制原始图及其边的权重。
    • 突出显示MST，使用不同颜色或加粗显示。

3. 结合最短路径与最小生成树的复杂网络分析

题目描述：

考虑一个大型交通网络，其中节点代表城市，边代表道路，边的权重代表道路的长度或旅行时间。首先，使用Kruskal算法找出这个网络的最小生成树（代表最基本的交通网络框架）。然后，在此MST的基础上，选择一个“核心城市”作为起点，使用Dijkstra算法找出从该城市到其他所有城市的最短路径。

要求：

（1）绘制两个图：一个是MST，另一个是以核心城市为中心的最短路径图（可以只显示与核心城市直接相连的最短路径）。

（2）MST图中应清晰区分MST边和非MST边。

（3）最短路径图中，最短路径的边可以用特殊颜色或加粗显示，并标注核心城市到各城市的最短路径长度。

示例数据：

自行设计更复杂的数据集。

python代码

import networkx as nx
import matplotlib.pyplot as plt
from matplotlib import font_manager# 设置中文字体
plt.rcParams['font.sans-serif'] = ['SimHei']  # 使用黑体
plt.rcParams['axes.unicode_minus'] = False  # 解决坐标轴负号显示问题# 边列表，每个元素是一个三元组(起点, 终点, 权重)
edges = [('A', 'B', 1),('A', 'C', 4),('A', 'D', 7),('B', 'C', 2),('B', 'D', 5),('C', 'D', 3),('C', 'E', 6),('D', 'E', 8)
]# 构建图
G = nx.Graph()
G.add_weighted_edges_from(edges)# 使用Kruskal算法计算MST
mst = nx.minimum_spanning_tree(G, algorithm='kruskal')# 使用Dijkstra算法计算最短路径
core_city = 'A'
lengths, paths = nx.single_source_dijkstra(mst, source=core_city)# 绘制MST
pos = nx.spring_layout(G)
plt.figure(figsize=(20, 8))plt.subplot(121)
nx.draw(G, pos, with_labels=True, node_size=500, node_color="lightblue", alpha=0.6)
labels = nx.get_edge_attributes(G, 'weight')
nx.draw_networkx_edge_labels(G, pos, edge_labels=labels)nx.draw(mst, pos, with_labels=True, node_size=500, node_color="lightgreen", edge_color="red", width=2)
labels_mst = nx.get_edge_attributes(mst, 'weight')
nx.draw_networkx_edge_labels(mst, pos, edge_labels=labels_mst)
total_weight = mst.size(weight='weight')
plt.title(f"最小生成树 (总权重: {total_weight})")# 绘制最短路径图
plt.subplot(122)
nx.draw(mst, pos, with_labels=True, node_size=500, node_color="lightblue")
labels_mst = nx.get_edge_attributes(mst, 'weight')
nx.draw_networkx_edge_labels(mst, pos, edge_labels=labels_mst)for target in lengths:if target == core_city:continuepath = paths[target]edges_in_path = [(path[i], path[i + 1]) for i in range(len(path) - 1)]nx.draw_networkx_edges(mst, pos, edgelist=edges_in_path, width=2, edge_color='r')path_length = lengths[target]plt.text(pos[path[-1]][0], pos[path[-1]][1], f"{path_length:.2f}", fontsize=12, color='red')plt.title(f"从核心城市 {core_city} 出发的最短路径")plt.show()

实现思想： 

  1. 图的表示与构建：

    • 使用图数据结构表示城市和它们之间的距离。节点表示城市，边的权重表示城市之间的距离。
    • 使用边列表表示图，其中每个元素是一个三元组 (起点, 终点, 权重)。

  2. 计算MST：

    • 使用 Kruskal算法计算图的最小生成树（MST）。

  3. 计算最短路径：

    • 在MST的基础上，使用Dijkstra算法计算核心城市到其他所有城市的最短路径。

  4. 可视化：

    • 绘制两个图：一个是MST，一个是核心城市的最短路径图。
    • 使用 networkx 库构建图并计算MST和最短路径。
    • 使用 matplotlib 库绘制图形，展示MST和最短路径。

要点：

  1. 定义边列表：

    • 创建一个包含边的列表，每个元素是一个三元组 (起点, 终点, 权重)。

  2. 构建图并添加边：

    • 使用 networkx.Graph() 创建图对象。
    • 使用 G.add_weighted_edges_from(edges) 添加边到图中。

  3. 计算MST：

    • 使用 nx.minimum_spanning_tree(G, algorithm='kruskal') 计算图的最小生成树。

  4. 计算最短路径：

    • 使用 nx.single_source_dijkstra(mst, source=core_city) 在MST上计算核心城市到其他城市的最短路径。

  5. 绘制图形：

    • 使用 nx.spring_layout 生成图节点的布局。
    • 使用 plt.figure 创建绘图窗口。
    • 使用 nx.draw 和 nx.draw_networkx_edge_labels 绘制MST及其边的权重。
    • 突出显示最短路径，使用不同颜色或加粗显示路径边。

总结三个问题

这三个问题分别涉及图论中的最短路径问题、最小生成树问题以及结合这两种方法的复杂网络分析。第一个问题使用Dijkstra算法计算并可视化了从一个指定城市到其他所有城市的最短路径，第二个问题使用Kruskal算法找到并绘制了一个无向带权图的最小生成树，第三个问题在最小生成树的基础上，使用Dijkstra算法计算并展示了从核心城市到其他所有城市的最短路径。每个问题都结合了图的构建、算法的应用和结果的可视化。

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：http://www.mzph.cn/pingmian/51056.shtml

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

PostgreSQL入门与进阶学习，体系化的SQL知识，完成终极目标高可用与容灾，性能优化与架构设计，以及安全策略

PostgreSQL入门与进阶学习，体系化的SQL知识，完成终极目标高可用与容灾，性能优化与架构设计，以及安全策略

​专栏内容： postgresql使用入门基础手写数据库toadb并发编程 个人主页：我的主页 管理社区：开源数据库 座右铭：天行健，君子以自强不息；地势坤，君子以厚德载物. 文章目录 概述基础篇初级篇进阶篇…
阅读更多...
事务、函数和索引

事务、函数和索引

目录 什么是事务？ 事务的ACID原则： 事务的操作 事务的原子性、一致性、持久性 事务的隔离性 什么是事务的隔离性? 用什么方法实现事务的隔离性？ MySQL中的锁 锁分类： 事务的隔离级别 事务并发问题 InnoDB的MVCC MVCC…
阅读更多...
【C++】红黑树的应用（封装map和set）

【C++】红黑树的应用（封装map和set）

✨ 青山一道同云雨，明月何曾是两乡 🌏 📃个人主页：island1314 🔥个人专栏：C学习 🚀 欢迎关注：👍点赞 &…
阅读更多...
Unity UGUI 实战学习笔记(3)

Unity UGUI 实战学习笔记(3)

仅作学习，不做任何商业用途 不是源码，不是源码! 是我通过"照虎画猫"写的，可能有些小修改 不提供素材，所以应该不算是盗版资源，侵权删 拼UI 提示面板的逻辑 using System.Collections; using System.Col…
阅读更多...
大数据——Hive原理

大数据——Hive原理

摘要 Apache Hive 是一个基于 Hadoop 分布式文件系统 (HDFS) 的数据仓库软件项目，专为存储和处理大规模数据集而设计。它提供类似 SQL 的查询语言 HiveQL，使用户能够轻松编写复杂的查询和分析任务，而无需深入了解 Hadoop 的底层实现。 Hive…
阅读更多...
Firefox扩展程序和Java程序通信

Firefox扩展程序和Java程序通信

实现Firefox扩展程序，和Java RMI Client端进行通信。 在Firefox工具栏注册按钮，点击按钮后弹出Popup.html页面，引用Popup.js脚本，通过脚本向Java RMI client发送消息，Java RMI Client接收消息后转发到Java RMI Server…
阅读更多...
MyBatis的入门操作--打印日志和增删改查（单表静态）

MyBatis的入门操作--打印日志和增删改查（单表静态）

下面介绍注解和xml实现crud的操作 目录 一、日志打印和参数传递 1.1.使用mybatis打印日志 1.2.参数传递细节 二、crud（注解实现） 2.1.增(insert) 2.2.删(delete) 和 (update) 2.3.查(select) 三、crud（xml实现） 3.1.准备…
阅读更多...
中国居民膳食指南书籍知识点汇总

中国居民膳食指南书籍知识点汇总

人如果吃不好，就不能好好思考，好好爱，好好休息。——维吉尼亚伍儿夫 文章目录 书籍简介饮食准则推荐膳食图示 准则一：食物多样，合理搭配合理搭配的方法平衡膳食的科学原理均衡饮食的作用食物功效（有科学实验…
阅读更多...
02、爬虫数据解析-Re解析

02、爬虫数据解析-Re解析

数据解析的目的是不拿到页面的全部内容，只拿到部分我们想要的内容内容。 Re解析就是正则解析，效率高准确性高。学习本节内容前需要学会基础的正则表达式。 一、正则匹配规则 1、常用元字符 . 匹配除换行符以外的字符 \w 匹配字母或数字或下划…
阅读更多...
基于Python的房产数据分析系统的设计与实现(源码+lw+部署文档+讲解等)

基于Python的房产数据分析系统的设计与实现(源码+lw+部署文档+讲解等)

文章目录： 目录 详细视频演示 设计文档详细参考 技术开发的参考技术栈！ 2.1 Python语言 2.2 Django框架 2.3 MySQL 2.4 Hadoop介绍 2.5 Scrapy介绍 4.2 系统结构设计 4.3 数据库设计 界面设计与功能实现 5.1系统登录注册实现 5.2管理员模块…
阅读更多...
【请求代理】springboot单机服务基于过滤器Filter实现第三方服务器接口请求代理功能

【请求代理】springboot单机服务基于过滤器Filter实现第三方服务器接口请求代理功能

springboot单机服务基于过滤器Filter实现第三方服务器接口请求代理功能 一、前言二、解决思路三、基于gateway实现四、基于过滤器Filter实现五、问题总结 **注：本文源码获取或者更多资料，关注公众号：技术闲人**一、前言 在项目开发时会遇到w…
阅读更多...
基于yolov8的口罩检测模型

基于yolov8的口罩检测模型

项目介绍 本项目基于yolov8对图像进行训练，可以检测戴口罩的人与没有带口罩的人的图片和视频，除此之外，还提供了数据分析界面，支持检测过的信息转化为excel，信息可视化等功能 配置过程 软件开发环境:python3.9 系统…
阅读更多...
前端开发：HTML与CSS

前端开发：HTML与CSS

文章目录 前言1.1、CS架构和BS架构1.2、网页构成 HTML1.web开发1.1、最简单的web应用程序1.2、HTTP协议1.2.1 、简介1.2.2、 http协议特性1.3.3、http请求协议与响应协议 2.HTML概述3.HTML标准结构4.标签的语法5.基本标签6.超链接标签6.1、超链接基本使用6.2、锚点 7.img标签8.…
阅读更多...
Apollo：实时通信架构CyberRT入门， my writer

Apollo：实时通信架构CyberRT入门， my writer

1. 简介 1.1 从 ROS 系统说起 Apollo 最初用的中间件是 ROS（机器人操作系统），在 v3.0 之前用的都是基于 ROS 框架进行开发。概括来说，ROS 系统主要包含三方面： 第一是通信系统，ROS 是个分布式的松耦合系统，算法模块是以独立的进程形式存在的，也就是我们常说的 Node。R…
阅读更多...
单击和一些案例

单击和一些案例

一、单击 1、单击概念 除了定位鼠标之外，processing鼠标还捕捉鼠标是否被单击。mousePressed在鼠标单击和不单击的情况下有不同的值。mousePressed变量是一种bool变量，也就是说它只有两个可能的值，真和假。当鼠标按下的时候mousePressed的值…
阅读更多...
apache2和httpd web服务器

apache2和httpd web服务器

apache2和httpd web服务器 apache2和httpd web服务器是啥apache是软件基金会apache2是一个web服务httpd和apache2是同一个东西，但是不同linux发行版中叫法不一样。就是同一个东西，但是看上去有一些不一样。 apache2和httpd web服务器是啥 apache是软件基…
阅读更多...
Scikit-learn内置的数据集

Scikit-learn内置的数据集

数据集是我们学习和研究机器学习不可或缺的基础，Scikit-learn库内置了丰富的数据集资源，非常适合初学者用来练习和验证机器学习算法的效果。 一、鸢尾花数据集 鸢尾花数据集（Iris Dataset）是机器学习领域中最著名的数据集之一&am…
阅读更多...
【每日一篇】使用图神经网络进行交通速度预测的上下文感知知识图谱框架【为了自己方便读论文】

【每日一篇】使用图神经网络进行交通速度预测的上下文感知知识图谱框架【为了自己方便读论文】

Context-aware knowledge graph framework for traffic speed forecasting using graph neural network 论文链接： https://arxiv.org/abs/2407.17703 翻译： 摘要 人类流动在空间和时间上受到城市环境的密切影响，构成了理解交通系统的重…
阅读更多...
MarkTool之UDP

MarkTool之UDP

UDP客户端，主要作用是与UDP服务端连接进行数据通讯 1、连接参数有4个，绑定IP和Port，服务端IP和Port 2、接收数据和发送数据的参数设置，有16进制，有字符，有原始数据，都可进行选择 3、定时发送&a…
阅读更多...
理解常见开源协议的区别

理解常见开源协议的区别

本文将介绍几种常见的开源许可证，包括GPL、LGPL、MIT、Apache、BSD 和 木兰协议（Mulan PSL），并详细解释它们的区别。 1. GPL (GNU General Public License) GPL 是最著名和最常用的开源许可证之一，由自由软件基金会 …
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023