netflow.py例子细节

现在让我们一行一行地浏览这个示例，以了解它是如何实现计算最优网络流量的预期结果的。与前面给出的简单Python示例一样，本示例从导入Gurobi函数和类开始:

进口gurobipy作为gp从gurobipy进口GRB

然后我们创建一些包含模型数据的列表:

#基本数据商品=[“铅笔”、“笔”]节点=[“底特律”、“掘金”,波士顿,纽约,西雅图的]弧能力= gp。multidict({ ('Detroit', 'Boston'): 100, ('Detroit', 'New York'): 80, ('Detroit', 'Seattle'): 120, ('Denver', 'Boston'): 120, ('Denver', 'New York'): 120, ('Denver', 'Seattle'): 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如简单的Python列表。我们使用Gurobimultidict函数初始化弧(列表键),能力(一个字典）.

模型还需要每个商品-弧对的成本数据:

# Cost for triplets goods -source-destination Cost = {(" Pencils "， " Detroit "， " Boston "): 10， (" Pencils "， " Detroit "， " New York "): 20， (" Pencils "， " Detroit "， " Seattle "): 60， (" Pencils "， " Denver "， " Boston "): 40， (" Pencils "， " Denver "， " New York "): 40， (" Pencils "， " Denver "， " Seattle "): 30， (" Pens "， " Detroit "， " Boston "):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}

一旦这个字典被创造出来，移动一单位商品的成本h从节点我来j可查询为成本((h i, j))．回想一下，Python允许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)．

一个类似的构造用于初始化节点需求/供应数据:

#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}

正值表示需求，负值表示供给。