Gurobi+Python 求解经典网络流问题

网络流问题介绍：

网络流是指在图中给定源点和汇点的前提下，通过网络中的边传输流量，使得从源点到汇点的流量最大（或最小）的问题。在网络中，每一条边都有一个容量（表示能够通过该边的最大流量），每个点都有一个出入流量的平衡限制。网络流问题的基本特点是将问题转化为图模型，用图论算法解决，如最大流算法、最小割算法、最大权闭合子图等。

网络流问题可以用于许多实际问题的建模，如物流配送问题、交通流量优化问题、电力网络问题等。最大流问题是最基础和常见的网络流问题，例如在一个污染源通过河流将污染物排放到下游地区，但是在不同的时间段污染物的流量不同，如何安排排放时间和量以使得下游受污染的程度最小。求解此问题就可以利用最大流算法，将河流视为一个网络，求解从污染源到下游地区的最大流量，以此来安排污染物的排放时间和量。

在实际应用中，由于复杂度的限制，网络流问题往往需要通过一些优化方法来求解。常见的优化方法有增广路算法、最小费用最大流算法、最大流最小费用算法等。

经典网络流问题：

1. 最大流问题：在一张有向图中，给定源点和汇点，每条边都有一个容量限制，求从源点到汇点的最大流量。

2. 最小割问题：在一张有向图中，给定源点和汇点，每条边都有一个容量限制，将图中的点分成两个集合S和T，要求源点在S中，汇点在T中，且S和T之间的割的容量最小。

3. 二分图最大匹配问题：给定一张二分图，求其中的一个最大匹配，即选择最多的边，使得每个节点最多与一个节点匹配。

4. 最大权闭合子图问题：给定一张有向图，每个节点有一个权值，求一个点集S，使得S中的点能够到达所有其他点，并且S中节点权值之和最大。

5. 最大流最小花费问题：在一张有向图中，给定源点和汇点，每条边都有一个容量和一个费用，求从源点到汇点的最大流同时满足最小费用。

代码实现：

经典网络流问题（最大流最小花费问题）

给定源点汇点及线路费用：有一些供应商节点（i）及需求节点（j），已知每个供应商产量（Pi),用户需求量（Di），以及每条路径运输成本（Cij）

目标：最小化运输成本

注意：约束条件中不能含有np矩阵，需出现矩阵时增加变量声明

import gurobipy as gp
from gurobipy import *
import numpy as np

# 原始数据
N_i = 3        # 供应节点数
N_j = 4        # 需求节点数
C_ij = np.array([[0.0755, 0.0655, 0.0498, 0.0585],
                [0.0276, 0.0163, 0.0960, 0.0224],
                [0.0680, 0.0119, 0.0340, 0.0751]
                ])       # 各线路费用
P_min = np.array([100,50,30])        # 最小出力
P_max = np.array([450,350,500])       # 最大出力
demand = np.array([217,150,145,244])    # 负荷需求

# 模型建立
m = gp.Model("网络流问题")

# 变量声明
x = m.addVars(N_i, N_j, vtype=GRB.CONTINUOUS, lb=0, name="x")    # 运输方式
u = m.addVars(N_i,vtype=GRB.BINARY,name="u")    # 每个供应商是否出力


# 设置目标函数
m.setObjective(quicksum(C_ij[i,j]*x[i,j] for i in range(N_i) for j in range(N_j)), GRB.MINIMIZE)

# 添加约束
# 输出约束，若 P 不等于 0，则每个 P 在 P_max 与 P_min 之间
m.addConstrs((quicksum(x[i, j] for j in range(N_j)) >= P_min[i] * u[i] for i in range(N_i)), name="con1")
m.addConstrs((quicksum(x[i, j] for j in range(N_j)) <= P_max[i] * u[i] for i in range(N_i)), name="con2")
# 负荷约束
m.addConstrs((quicksum(x[i, j] for i in range(N_i)) >= demand[j] for j in range(N_j)), name="con3")



# 模型求解
m.optimize()

# 输出
m.getVars()
x_c = np.zeros([N_i , N_j], dtype=float)
for j in range(N_j):
    for i in range(N_i):
        x_c[i,j] = x[i,j].x


print('x_c is',x_c)