网络最大流部分割矩阵算法

网络最大流问题是图论研究中一个经典的模块。首先,利用粗糙集属性约简的差别矩阵算法思想,定义网络的一个部分割容量矩阵。其次,通过集合的交和并运算,找出网络的所有割集,从而得到最小容量割集。之后,在最大流最小割定理的基础上,得到网络的最大流。     

网络最大流求解算法的研究

近年来,随着各种网络的飞速发展,对最大流问题的研究也取得了很大的进展。文章简述了网络最大流问题的现状,提出了一种求解网络最大流与最小截问题的算法。此算法使得计算网络最大流变得简便,且具有很强的实用性。     

基于并行图计算框架大规模图最大流加速算法

最大流是一个重要的图计算问题,很多实际场景中如城市车流量和排水管道的排水量等问题若转化为最大流问题可以得到有效的解决.已有工作从多个角度对最大流问题进行了探讨,但仍存在一些问题.针对一些分布式图计算系统进行图分割计算复杂度较高,多次计算存在大量冗余工作等问题,提出基于GraphChi框架的大规模图最大流加速算法.根据原图中的割点构建覆盖图,给定源点和汇点后确定覆盖图中唯一路径,在GraphChi框架上并行求解覆盖图路径上各子图的最大流,找到各子图最大流的最小值即为原图的最大流值.在美国路网数据集的测试结果表明,提出的算法可显著缩短大规模图的最大流计算时间并且空间复杂度较低,有很好的加速效果.     

基于栈的网络最大流算法

针对网络最大流问题,在割集定义和最大流-最小割定理基础上,以邻接矩阵为网络数据存储结构,利用栈作为数据组织形式,遍历网络中所有割集,最小容量的割集即为网络最大流。流量网络其余分支流量由网络结点流量平衡条件来求解。该算法具有：开辟了一种求解流量网络最大流的新的方法,克服了割集和最大流-最小割定理仅仅具有理论价值、没有实用价值的局限性;根据最小容量的割集可以方便确定决定网络最大流的关键分支,为扩展网络流量提供直接技术支持。算法测试表明：基于栈的网络最大流算法是完全可行和有效的。     

最小费用最大流算法(C++)实现

最小费用最大流是一类网络优化问题,它与最大流的区别在于,它不仅要考虑流量问题,还要考虑费用因素,其优化的目标是流量最大且费用最小。本文综合求最大流原理和求最短路原理,在直接输入初始状态下就求出任何一个网络图的最小费用值,最大流值以及其他一些相关数据。该算法程序可以为我们减少大量计算,提高工作效率,因而它在信息学竞赛,国际信息学竞赛,大学生数学建模比赛等方面都能得到应用。     

动态网络上最大流概念及其性质的研究

本文在动态商空间模型的基础上,研究动态网络环境下最大流、最小割的定义及最小割定理成立的条件。首先分析动态网络最大流量的特点,发现直接将静态环境下的最大流量概念移植到动态的情况,所得的最大流不具有可加性和总流量最大性。为此引入t-截网络的概念,将动态网络化成静态网络的组合,为动态网络的分析提供一个有效的方法;在此基础上提出(最速)最大流量的定义,并证明新定义的最大流具有可加性和总量最大性。接着给出相应的最小割概念,证明新定义下的最大流、最小割对应的最小割定理成立。最后给出求动态(最速)最大流量的算法。     

最小费用最大流算法（C＋＋）实现

最小费用最大流是一类网络优化问题，它与最大流的区别在于，它不仅要考虑流量问题，还要考虑费用因素，其优化的目标是流量最大且费用最小。本文综合求最大流原理和求最短路原理，在直接输入初始状态下就求出任何一个网络图的最小费用值。最大流值以及其他一些相关数据。该算法程序可以为我们减少大量计算，提高工作效率，因而它在信息学竞赛，国际信息学竞赛，大学生数学建模比赛等方面都能得到应用。     

分层法求解网络最大流的研究

网络最大流问题是经典的组合优化问题,随着网络规模的增加,提高算法效率成为解决问题的关键.为了降低求解大规模网络最大流的计算量,针对单源单汇网络提出基于网络分层的最大流问题求解新方法.分层法首先构造原有向网络对应的层次网络,接着在构造出的层次网络中计算各相邻结点层之间的最大流,以此为基础最终获得整个网络最大流的快速估算.分层法有效降低了计算的复杂性,为在大规模网络中快速获取最大流的求解提供了方便,并给出了一个解决最大流问题的新思路.不同网络上测试的实验结果显示,最大流的近似解误差可控制在1%左右,而平均运行时间仅为经典算法(Ford-Fulkerson算法)运行时间的11%,最好情况下的运行时间仅为经典算法运行时间的2%,是two-phase capacity scaling改进算法运行时间的25%,表明分层方法的有效性.     

最大动态流关键弧的改进算法

针对时间容量网络的最大动态流的关键弧问题,首先分析了经典的Ford-Fulkerson最大动态流算法,在此基础上简化了最大动态流算法,并由此提出一个基于最小费用增广路来寻找最大动态流关键弧的改进算法。算法将计算新网络最大动态流时共有的最小费用路保留,去掉了自然算法中重复的计算。的效率更高。     

点和边有容量约束的网络最小费用最大流算法*

分析了目前网络最小费用最大流算法存在的问题,提出网络最小费用最大流新算法。概括出条件约束下的网络最小费用最大流问题的两目标优化数学模型,针对点和边有容量约束的网络最小费用最大流问题特点,定义了有向路径、有向路径单位流费用和残量网络的概念。依据可行流分解定理,以邻接矩阵为网络数据存储结构,使用数据结构中的遍历方法,实现了网络最小费用最大流新算法。该算法在不破坏平面性条件下,可以求解点和边有容量约束的网络最小费用最大流。最后,通过实例进行了算法测试和比较。算法测试表明：点和边有容量约束的网络最小费用最大流算法是完全可行和有效的。     

基于网络编码的无线网络容量分析

无线网络容量一直是无线网络领域的研究热点,而网络编码通过赋予中间节点对接收数据包进行编码、组合的能力,可以有效提高网络容量,达到最大流—最小割定理确定的理论上限.本文在Gupta和Kumar提出的信号干扰噪声比模型基础上,首先分析网络节点均匀分布时发送节点与目的节点进行多跳传输的无线网络容量计算方法;接着推导出了基于网络编码的无线网络容量计算公式,并利用MATLAB中求解线性规划问题的函数linprog()求解网络最大流及各链路流量,以此求出无线网络容量上界.通过对无线网络容量上界进行MATLAB仿真,得到如下结论:无线网络容量上界随节点数量的增加呈现先增加后减少的趋势;且当节点数量趋于无穷大时,网络容量趋于零;与传统的存储转发模式相比,采用网络编码有利于提高网络容量.     

城市复杂道路网络交通流的分解模型

针对城市道路交通流非线性、不确定性和模糊性特点,将城市道路与快速干道作为整体对待,提出了面向控制应用的城市交通网络宏观动态离散模型。将城市街区作为划分基点,把整个城市道路复杂交通网络分解为交叉口和单向环形道路两个子系统,分别建立了它们的宏观动态模型。通过对交叉口进行理想虚拟变形,将各个单向环形道路连接在一起,从而形成各种复杂网络。对西安市中心区域的实际交通流数据进行了仿真研究,结果表明该交通流模型基本实现了城市道路与快速干道的统一分析建模,较好地反映了城市路网的交通流信息,可以作为城市交通控制系统分析和设计的有力工具。     

一种流序列化的网络流量分类算法

针对传统基于端口和有效负载的网络流量分类算法识别率低、分类算法复杂等问题,在分析了网络流量性质的基础上,提出流序列化方法。它将网络流分解成多个流原子,通过提取序列化网络流的特征向量并使用迭代最优化的聚类算法进行流量聚类,最终实现了网络流按不同行为模式聚类。该方法在实验环境中取得了良好的效果。     

一种基于转向限制的城市交通网最短路径算法

针对城市交通网导航的实际需要,提出了有向加权图的模型,图中顶点不仅包括路口,还包括起点和终点,并对Dijkstra算法进行改进,提出了一种基于转向限制的城市交通网最短路径算法,通过加入虚拟顶点,从而适应转向限制的条件。实验表明了该算法的正确性。     

小波消噪和神经网络的网络流量混沌预测

网络流量数据中含有大量噪声,对网络流量预测精度产生不利影响,为此,提出一种小波消噪和神经网络相融合的网络流量混沌预测模型。采用小波技术对网络流量数据进行消噪处理,采用关联维数确定BP神经网络输入变量个数,采用BP神经网络建立网络流量预测模型。结果表明,与消噪前比,小波消噪和神经网络模型更能准确刻画网络流量的变化趋势,有效提高了网络流量的预测精度,为非线性预测问题提供了一种新的研究思路。     

基于径向基函数神经网络的网络流量识别模型

提出了一种基于径向基函数神经网络的网络流量识别方法。根据实际网络中的流量数据,建立了一个基于RBF神经网络的流量识别模型。先介绍了RBF神经网络的结构设计及学习算法,针对RBF神经网络在隐节点过多的情况下算法过于复杂的缺点,采用了优化的算法计算隐含层节点。仿真实验证明,该模型具有较好的准确率、低复杂度、高识别效果和良好的自适应性。     

基于BP神经网络的非线性网络流量预测

传统的流量分析建立在线性模型的基础上,但是由于复杂的拓扑结构和网络行为,网络流量表现为一个非线性的系统。根据实际网络中测量的大量网络流量数据,建立一个时间相关的基于神经网络的流量模型,预测和分析网络流量状况。相对于传统线性模型该模型具有较高的预测精度、自适应性和鲁棒性。     

基于深度时空残差网络的路网短时交通流预测

针对城市路网短时交通流预测受到许多复杂因素的影响,提出一种基于深度时空残差网络的路网短时交通流预测模型DST-Res Net（deep spatio-temporal residual network）。针对时空数据的两个独特属性邻近性和周期性分别设计相应的残差网络分支,通过为两个分支中相同的道路分配不同的权重动态聚合两个分支网络的输出,调整时空属性对不同路段交通流预测的影响程度,将两个残差网络的聚合结果与外部因素进行融合。通过选择RMSE和R²为模型的评价指标进行实验验证,该DST-ResNet模型相较主流的LSTM模型具有更高的有效性和可行性。