netflow.py例子细节

现在让我们一行一行地看一下这个例子，以了解它是如何达到计算最佳网络流的预期结果的。和前面介绍的简单Python示例一样，这个示例首先导入Gurobi函数和类:

从gurobipy导入*

然后我们创建了一些包含模型数据的列表:

# Base data commodities =['铅笔'，'钢笔']nodes =['底特律'，'丹佛'，'波士顿'，'纽约']arcs, capacity = multidict({('底特律'，'波士顿'):100，('底特律'，'纽约'):80，('底特律'，'西雅图'):120，('丹佛'，'纽约'):120，('丹佛'，'纽约'):120，('丹佛'，'纽约'):120，('丹佛'，'西雅图'):120})

该模型使用两种商品(铅笔和钢笔)，网络包含5个节点和6个弧线。我们初始化大宗商品和节点作为简单的Python列表。我们用古罗比multidict函数初始化弧(列表键),能力(一个字典）.

该模型还需要每一对商品弧的成本数据:

# Cost for triplets Cost ={('铅笔'，'底特律'，'波士顿'):10，('铅笔'，'底特律'，'纽约'):20，('铅笔'，'底特律'，'西雅图'):60，('铅笔'，'丹佛'，'波士顿'):40，('铅笔'，'丹佛'，'纽约'):40，('铅笔'，'丹佛'，'西雅图'):30，('钢笔'，'底特律'，'波士顿'):20日(“笔”、“底特律”,“纽约”):20日(“笔”,“底特律”,“西雅图”):80(“笔”、“掘金”,“波士顿”):60岁(“笔”、“掘金”,“纽约”):70(“笔”、“掘金”,“西雅图”):30}

一旦这本词典完成，移动商品的成本h从节点我来j可通过以下方式查询成本((h i, j))．回想一下，Python允许您在使用元组索引字典时省略括号，因此可以将其缩短为just成本(h i, j)．

一个类似的结构被用来初始化节点需求数据:

#对小商品城流入需求={(“铅笔”,“底特律”):50岁(“铅笔”、“掘金”):60岁(“铅笔”,“波士顿”):-50(“铅笔”,“纽约”):-50(“铅笔”,“西雅图”):-10(“笔”,“底特律”):60岁(“笔”、“掘金”):40岁(“笔”、“波士顿”):-40年,(“笔”、“纽约”):-30(“笔”、“西雅图”):-30}