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 复制
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) 复制
在Windows中，要先下载另一个软件包
library(devtools)
extract_tab(locatio 复制
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$V3[-1])
capacity[6]="843"
ic(capacity) 复制
我们可以在地图上添加这些边
plot(map)
points(t(m[3:2,]),col="black", pch=1
for(i in 1:nrow(E)){
i1=which(B$i==as.character(E$from
]))
segments(B[i1,"x"],B[i1,"y"],B[i2,
text(t(m[3:2,]),c("s",1:10,"t"),col="white") 复制
要获得具有容量的图形，可以使用另一种方法
g=graph_from_data_frame(E)
E(g)$label=E$capacity
plot(g) 复制
但是它不考虑节点的地理位置。可以使用
plot(g, layout=as.matrix(B[,c("x","y")]))
复制
为了更好地了解道路通行能力，使用
plot(g, layout=as.matrix(B[,c("x","y")]),
edge.width=E$capacity/200) 复制
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
$flow
[1] 10 142 130 23 0 2 复制
我们的最大流量为2571，这与两篇论文中的最大流量最小割定理以及 最短路径的应用中都实际要求的不同 ，因为表格和图表上的值不同。
E$flux1=m$flow
plot(g, layout=as.matrix(B[,c("x","y")]), 复制
考虑采用更简单的流程，但是相同的全局值
E(g)$label=E$flux2
plot(g, layout=as.matrix(B[,c("x","y")]),
edge.width=E$flux2/200) 复制
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=a
ame(from=B1[2:61,"V2"],
to=B1[2:6
as.numeric(
as.characte
data_frame(E)
m=max_flow(graph=g,
source="S",
E$flux1=m$flow
E(g)$label=E
edge.width=E$flux1/200,
edge.arrow.size=0.15) 复制
此处的最大流量值为4017，就像原始论文中发现的那样