Bike sharing rebalancing problem with variable demand
摘要
本文研究了一个扩展的自行车共享再平衡问题，称为可变需求的自行车共享重新平衡问题bikesharing rebalancing problem with variable demand (BRPVD),（BRPVD），该问题考虑了运营商分配的自行车数量对用户需求的影响。BRPVD的解决方案旨在🐸通过制定运输车辆路线计划和确定重新分配操作后每个站点的自行车目标数量，最大限度地提高自行车共享运营商的利润。该问题被建模为混合整数非线性规划模型，并线性化为混合线性规划模型。该模型在采用真实北京美孚数据的案例中进行了测试，结果表明，再平衡行为会显著影响用户的需求，从而指导运营商。
1. introduce
自行车共享系统Bike-sharing systems（BSS）因其在减少车辆废气排放和交通拥堵方面的贡献而迅速发展。因此，在过去几十年中，许多城市引入了BSS。2018年，全球自行车共享市场达到27亿美元，预计到2025年将超过50亿美元（见[1]）。截至2019年8月底，中国BSS拥有1950万辆自行车，360个城市拥有超过3亿注册用户和4700万日订单[2]。
基于站点的BSS和自由浮动BSS（FFBSS）是目前的两种主要运行模式[3]。在前一个系统中，用户只能在固定的站点租用和归还自行车，而FFBSS允许旅行者在预定的停车区内下车。与基于站点的BSS相比，FFBSS对用户来说更方便、更灵活，但由于自行车分布更加分散以及供需不均，它面临着更多的挑战[4]。例如，通勤者可能会在家附近选择自行车，然后骑车前往地铁站，以便进一步前往工作场所。这种单向趋势可能会造成原区域的供应短缺，使家附近的其他用户很难获得共享自行车服务，并导致地铁站周围自行车的堆积。此时，如果不执行再平衡操作，系统将失去应该通过在自行车过剩区域浪费资源来满足的需求。为了避免这种情况，自行车共享公司将雇佣一组专门的工作人员来重新安置自行车，这导致了所谓的自行车共享重新平衡问题Bike-Sharing Rebalancing Problem（BRP）。
在过去的几十年里，关于自行车共享再平衡问题（BRP）的文献不断涌现，可以归纳为两大主流。第一个是静态自行车再平衡问题Static Bike Rebalancing Problem（SBRP），它假设再平衡操作发生在夜间，在此期间用户的需求很小，可以忽略不计。其次，动态自行车再平衡问题 Dynamic Bike-Rebalancing Problem （DBRP）假设再平衡操作在白天进行，用户的需求实时变化。
- [5] 定义了静态站平衡问题 Static Stations Balancing Problem（SSBP ）。作者指出了SSBP与一些经典问题的相似性和差异性，即一个商品提取和交付问题one commodity pickup and delivery problem（1-PDP）、交换问题swapping problem（SW）和C-delivery TSP。拟议的 SSBR 也可以被视为一个具有容量的单一商品交换问题，其目标是通过使用一系列成本最低的移动，将所有站点从初始状态调整为目标状态，通过这些移动，只考虑一辆独特的卡车。SSBP 被证明是NP难的，显示了其复杂性，并给出了下界 。采用近似算法作为解决方案，并针对特殊情况提出了多项式算法。
- [6] 将问题转化为两个版本的混合整数线性规划（MILP）、弧索引和时间索引。双目标由运营成本组成，目标中考虑了以凸惩罚函数表示的用户不满。作业由多辆车进行，允许多次到站。此外，还考虑了转运和路线的最长持续时间。因此，可行解空间增大。为了加速计算过程，开发了几个有效的不等式和优势规则。结果表明，该模型能够处理104个车站和两辆车的问题。
- [7] 提出了四个混合整数线性模型来表示BRP。所有模型都包含指数数量的次四分之一消除约束。因此，他们设计了一个分支和切割算法来处理添加的约束。此外，基于意大利雷吉奥·埃米利亚市的实际数据，提供了一个基准，并用于比较这四个模型的计算性能。
- [8] 在单商品接送旅行商问题（1-PDTSP）的基础上，提出了带需求间隔的静态自行车重新定位问题（SBRP-DI）。每个站点的自行车库存允许有下限和上限。采用基于bender分解的分枝切割精确算法作为求解方法。
- [9] 提出了随机需求下的自行车共享再平衡问题（BRPSD）。需求被视为随机变量。他们为BRPSD开发了五种配方。开发了两种应用两个顶点之间相关性信息的启发式算法。基于真实数据进行了数值研究。
- [10] 考虑了SBRP中被禁止的临时运营商，该运营商不允许将车站用作出境地。他们还允许报纸上的需求分割。提出了三种基于分支和切割（B&C）的精确算法。
- [11] 考虑在重新放置自行车时收集损坏的自行车。运营商的目标是在满足需求的同时尽量减少二氧化碳排放。
- [12] 考虑了拥有不同占用空间的多种自行车。
- [13] 在目标中考虑了最小化装卸作业时间。
##############下一段了#####
然而，通过精确的方法获得最优解通常是很难计算的。因此，一些研究人员使用了元启发式方法，以及精确方法和（元）启发式的混合。
- [14] 被认为是一个普遍的多对多的接送问题，在这个问题中，车站可以作为缓冲区来存储自行车，以备日后访问。下界和上界分别由分支和切割算法和禁忌搜索获得。
- [15] 设计了一种混合ACO（蚁群优化）+CP（约束编程）方法。目标函数包括两部分：未满足需求和再分配总时间成本。
- [16] 提出了一种迭代禁忌搜索启发式算法。
- [17] 提出了一种破坏修复元启发式算法。
- [18] 介绍了SBRP的化学反应算法。
- [19] 考虑将未满足的需求和CO2排放降至最低。为了解决这个问题，引入了一种改进的人工蜂群算法。
- [20] 提出了混合大邻域搜索算法。该算法在多达518个站点的网络中进行了测试。
- [21]考虑了重新平衡自行车和收集损坏的自行车。目标是将二氧化碳排放量降至最低，并实现目标库存。设计了一种改进的人工蜂群算法
#######下一段####
SBRP的不足之处在于它无法捕捉实际运行期间的电站需求变化，这可能会降低服务水平。DBRP 考虑到了这种需求特征，但由于从原始网络扩展到时空网络，问题复杂性不断增加。因此，
- [22]提出了一个动态公共自行车共享平衡问题（DPBSBP），这是不精确的启发式方法。设计了一种结合Dantzig–Wolfe分解和Benders分解的启发式算法。
- [23]引入了一个非线性时空网络流模型，目标中包含非线性部分。然后，他们将目标的非线性部分线性化，并启发性地解决了问题。采用线性化方法将非线性问题转化为等效MIP。给出了一种自行设计的启发式算法。
- [24]考虑了充电要求，因为运输任务由电动汽车承担。动态特性采用滚动时域法处理。采用人工蜂群算法求解该问题。
######下一段######
考虑到自由浮动自行车共享系统（FFBSS）出现的时间不长，目前只进行了几项关于 FFBSS 的研究。 - [3] 将自行车共享问题分为两类：完全再平衡和部分再平衡。前者表示所有节点在运行后都达到了相应的目标库存，而只有部分节点会在运行后达到目标库存。然后，他们提出了静态完全平衡问题Static Complete Rebalancing Problem（SCRP）。节点不允许作为缓存来存储自行车，因为这只会增加计算复杂性，而解决方案几乎没有改进。SCRP 采用混合嵌套大邻域搜索和可变邻域下降算法（NLNS+VND）求解。
- [25]提出了一个综合框架，包括时空聚类、使用非线性自回归神经网络预测自行车趋势以及搬迁决策支持系统。
- [4] 根据查找自行车的难度区分两个不同的节点（即容易访问和难以访问的节点）。考虑了更现实的场景，例如多个异构车辆、多个站点和多次访问。通过改进的化学反应优化（CRO）解决了这个问题。
- [26]建议制定 BRP，考虑重新平衡自行车以及收集损坏的自行车。这种再平衡战略称为全面重新定位。该问题有多个站点，车辆容量不同，允许多次访问。这个问题被表示为一个整数线性规划. 他们设计了一种贪婪的遗传启发式算法来解决这个问题。
- [27]提出了一个综合框架，包括需求预测、坏自行车检测和收集坏自行车时的动态再平衡。设计了一种结合可变邻域搜索和增强模拟退火算法的混合元启发式算法。
########下一段#######
本文主要讨论静态场景。在之前的研究中，假设用户需求是确定性的[6]或随机的[28]。然而，这些假设忽略了一个地区可用自行车数量对用户需求的影响。通常，如果运营商在一个区域放置更多自行车，则该区域的用户更容易找到可用的自行车，反之亦然。因此，用户需求将上升。换句话说，用户的需求是可变的，受该地区自行车数量的影响。这一特点在BSS中可能并不明显，因为车站及其容量有限且固定，导致用户需求稳定。然而，FFBSS通常拥有大量自行车，因此自行车数量的影响不容忽视。如果不考虑某一地区自行车数量对用户需求的影响，可能会导致运营商无法通过增加自行车数量来满足用户的最大需求，从而实现收入最大化。例如，如果需求是一个预定的固定值，那么最优目标库存等于它。然而，考虑到自行车数量对用户需求的影响（正相关，因为自行车越多，用户越容易找到自行车），运营商可以安排更多的自行车来促进需求，从而赚取更多的收入。确定性模型或随机模型无法捕捉到这一特征。因此，在本文中，我们假设需求是可变的，并且受某一地区自行车数量的影响。采用指数形式函数来描述这种关系。本文使用术语“可变需求”来描述此需求字符，遵循先前研究中的命名约定[29]。本文的目标是在静态场景下确定一条公交车辆成本最低的路线，这将共同导致FFBSS的平衡，同时实现用户的最大收益。该问题将被表示为一个混合整数非线性规划模型mixed-integer non-linear programming model（MINLP），并将采用线性变换将MINLP线性化为一个组合整数线性模型mixed-integer linear model （MILP）。基于北京的Mobike数据进行了案例研究，以检验模型的有效性。
The main contributions of this paper are reflected in the following:
- 本文提出了一个新的、现实的FFBSS自行车共享问题：可变需求的自行车共享再平衡问题（BRPVD），该问题考虑了再平衡操作对用户需求的影响。
- 给出了BRPVD的混合整数非线性公式，并给出了线性化方法。
- 基于北京MOBIKE的真实数据进行了数值研究。分析了基本参数对再平衡性能的影响。
本文的结构如下。第2节正式定义了问题。第三节阐述了所研究的问题。第4节给出了线性化。第6节讨论了计算结果。第6节总结了本文
2. Problem description
The notations used in BRPVD are given in Table 1.
3. The formulation for the BRPVD
本文研究的问题与文献[7]中的自适应mTSP问题具有一些共同的性质。在[7]中，BRP被表示为混合整数线性模型（MILP）。目标是最小化总旅行成本。本文与[7]之间的三个差异表明，[7]中的方法不能直接应用于本研究。第一个区别是，[7]中的需求是先验知识，被视为模型的输入，而需求是本研究BRPVD中的决策变量。第二个区别是，我们的需求函数是非线性的，这不能用[7]中的MILP模型来处理。第三个区别在于考虑利润的目标函数。在本节中，基于[7]，将BRPVD建模为混合整数非线性规划（MILNP）公式。
式（2）的目标函数由四部分组成。前两项是使用自行车产生的收入和搬迁成本。第三部分是基于这样一种考虑，即操作员最好减少自行车的拆卸操作。最后，如[32]中的结果所示，搬迁车辆负载较少意味着能耗较低，这有利于保护环境，因此我们增加了罚款，以激励运营更加环保。
方程式（3）和(4) 确保网络中的每个顶点都会被访问一次。
方程式（5） （6）强制搬迁车辆将在车辆段开始和结束其行程。
式（7）是经典的Miller–Tucker–Zemlin亚度数消除约束。
等式（8）表明，自行车请求ri等于重新平衡操作前可用自行车的数量与重新分配后的目标数量之间的差值。
等式（9）要求加载和卸载量不应超过车辆的容量。
方程式（10） 和（11）表明，顶点i处的实际服务用户需求小于实际需求
f
i
（
b
i
）
f_i（b_i）
fi（bi）和再平衡操作后的自行车数量
b
i
b_i
bi。此外，由于用户不希望在停车场使用自行车，因此停车场的实际需求设置为零。
等式（12）确保了重新分配前后自行车总数的不变。
方程式（13）和 （14）当车辆决定从顶点i移动到j时，都等于方程式
l
j
=
l
i
+
r
j
l_j=l_i+r_j
lj=li+rj。
方程式（15） –（18）确保车辆的负载水平在车辆容量限制下能够满足要求。
方程式（19） –（20）确保
r
^
i
\hat{r}_i
r^i等于请求
r
i
r_i
ri的绝对值。
式（21）定义可行域.
4. Linearization
方程（10） d i ≤ f i ( b i ) , ∀ i ∈ V 0 d_i ≤ f_i(b_i), ∀i ∈ V_0 di≤fi(bi),∀i∈V0中出现的 非线性 特性 在求解模型时产生了复杂性。模型的线性化允许应用有效和成熟的MILP理论。因此，本文采用了文献[6]中凸罚函数的线性化方法。
修正后的MILP模型由目标函数公式（2）根据公式给出。(3)–(9), (11)–(22). 可以采用GAMS等商业MILP求解器来求解此模型。
5. Case studies and analysis
在本节中，基于北京市海淀区的实际网络，对网络进行了数值研究。数据来自网站[33]。该模型已在一台配备Intel 4 Cores i5-4590 3.GHz CPU和Windows 10 64位操作系统的个人计算机上用GAMS Studio 0.9.2 64位编码。
数据包含2017年5月17日至24日期间使用Mobike服务的行程单信息，2017年5月份17日除外。每个行程单由订单ID、用户ID、自行车ID、行程开始时间、行程起点和行程目的地组成。在FFBSS中，没有真正的站点，因此仅基于每个点制定再平衡计划是不切实际的。事实上，FFBSS的需求主要是由超市或医院等功能性建筑吸引的，这意味着自行车聚集在一起。因此，自行车集群是FFBSS研究中一个常用的实用选择（参见，例如，[3,4]）。采用DBSCAN获得簇和相应的质心。集群结果示例如图3所示。总共有12个集群和一个指定的仓库0。每个集群的质心在地图上用数字标记，仓库用零点表示。出行成本cij是通过使用百度API[34]收集的，这是两个质心之间出租车出行的总价格。
5.1. Small-scale case
在本节中，我们在一个小规模网络上测试模型的性能，如图3所示。可用自行车总数BN设置为432辆，即2017年5月10日从集群发出的出行订单数，自行车被随机安排到12个集群和仓库，以获得再平衡操作前每个顶点的自行车数（Ni）。容量Q的默认值为100。行程价格P为1，罚款P1、P2均为0.1。用户对自行车数量、车辆容量和潜在需求的敏感度对FFBSS的影响将在以下小节中进行分析。
5.1.1. Analysis of the impact of users’ sensitivity to the number of bikes and the maximum value of potential demand
用户对自行车数量的敏感度和潜在需求的最大值是影响FFBSS利润的两个外部因素，这两个因素并不由运营商决定。敏感度值和潜在需求被用作表示其余分析中两个因素的简写符号。潜在需求是指用户从顶点i旅行的最大潜在需求量，在本分析中设置为一个常量值。图4显示了灵敏度值和潜在需求对FFBSS用户的影响。从图4（a）中，我们可以看到实际服务需求随着灵敏度值的增加而增长，并最终收敛于一个稳定值。实际服务需求的最终固定值为432，等于可用自行车的总量。结果还表明，随着潜在需求的增长，获得最大服务需求所需的敏感度降低，进一步表明实际服务需求与敏感度值和潜在需求之间的紧密联系。此外，这两个因素之间存在互补效应.由于实际服务需求决定了利润，因此，随着敏感度值和潜在需求的增加，FFBSS的利润也有类似的变化趋势，如图4（b）所示。图4（c）描述了灵敏度值和潜在需求对总请求的影响结果。总请求数等于所有请求的绝对值之和，并度量加载和卸载任务的工作量
(
∑
i
∈
V
r
i
^
)
(∑_{i∈V}\hat{r_i})
(∑i∈Vri^)。图4（c）显示，当用户不敏感时，只需要较少的拾取和加载操作。原因是，当用户对自行车数量的变化不敏感时，运营商缺乏执行再平衡操作的动机。当潜在需求为100和120时，曲线收敛到相同的值200，其中包括100个拾取动作和100个交付动作。在此分析中，停车场的自行车数量为100辆。这可以解释为潜在需求高，导致在所有顶点使用自行车，但在停车场使用的除外。因此，只需要转移仓库中的自行车。总之，结果表明，高水平的敏感性和潜在需求可以提高运营商的盈利能力，并减少工作量。从经营者的角度来看，潜在需求是一个外生变量，因此不能通过其行为来改变。运营商只能提高需求预测的准确性以增加利润。然而，可以采用一些方法来增加灵敏度值，例如在自行车上涂上锐利的颜色或提高手机应用程序上GPS定位功能的准确性。
5.1.2. Analysis of the impact of vehicle capacity
在实际情况下，运输任务由具有一定容量的三轮车承担。本文将车辆编号固定为一。然而，拥有相同路线的三轮车车队可以被视为一辆具有综合能力的车辆。
从运营商的角度来看，产能如何影响利润以及最佳产能集是两个主要问题。第5.1.1节已经指出，当敏感度值或潜在需求较低时，进行再分配是无利可图的。此外，当敏感值或潜在需求较高时，只需运输车辆段内的自行车。因此，最佳容量等于车辆段中的自行车数量。更复杂的情况是当用户的需求处于中等水平时。图5（a）和（b）显示了不同敏感度值和潜在需求下产能对利润的影响。结果表明，增加产能可以增加利润，利润最终会收敛到一个稳定值。解释是，用户的最大总需求是确定的，然后通过再平衡可以满足需求的上限。由于车辆只能访问每个顶点一次，当容量较小时，有时不可能运输足够的自行车到达赤字顶点。因此，增加产能可以增加需要满足的需求，从而增加利润。然而，当生产能力非常大并且所有需求都能满足时，增加生产能力并不会增加利润。在中等需求水平情况下有两个子场景：仓库中的自行车数量是否大于或小于其余顶点。在图5（c）中，仓库中的自行车数量是所有顶点中最大的。在图5（d）中，车辆段内的自行车数量设置为0，潜在需求设置为110，最大初始自行车数量属于再分配操作前最大自行车数量的顶点。图5（c）中的结果表明，最佳容量等于仓库中自行车的数量，以达到自行车的最大利用率。从图5（d）可以看出，随着最大初始自行车数量的增加，利润的转折点和最佳容量值也会增加。然而，最大初始自行车数量和最佳容量之间的关系并不明显。因此，采用不同参数设置的两种场景的曲线拟合，分析最大初始自行车数对最优通行能力的影响。图6的结果表明，最大初始自行车数与最佳容量之间存在显著的线性关系。结果还表明了灵敏度值和潜在需求对函数比系数的影响。因此，为了获得最佳容量，有必要进行实际数据调查，以评估敏感度和潜在需求的价值。
5.2. Large-scale case
在本节中，BRPVD模型应用于具有多达51个顶点的扩展规模网络，如图7所示。共有50个顶点，需求标记为1-50，仓库标记为0。可用自行车总数BN最多为11669辆（2017年5月10日所有集群的出行订单总数）。潜在用户最大需求量之和 ( ∑ D i ） (∑ D_i） (∑Di）也是11 669。BN被随机分配给所有顶点，作为再平衡操作（ N i N_i Ni）之前每个顶点的自行车数。其他参数与小规模情况相同。
5.2.1. Comparison of the performance
我们首先测试Gams解算器在不同网络大小下的精确解约束性能。获得的目标值（Obj）、上下限之间的间隙（Gap）和总求解时间（CPU时间）如表2所示。随着网络规模从12–50个顶点增长，求解时间急剧增加。当顶点为50时，解算器无法在时间限制（10小时）内获得最佳解。 这些结果显示了解决大规模问题的困难。由于本文数值研究的主要目的是研究在考虑运营商再平衡行为对用户需求的影响时，可以获得哪些见解来指导运营商。因此，在随后的参数分析中，我们将Gap设置为0.01，以便在合理的时间内获得参数影响的趋势。
5.2.2. Analysis of the impact of users’ sensitivity to the number of bikes
在本节中，我们分析了敏感性对自行车共享公司利润、实际服务需求和总需求的影响。图8（a）显示，随着用户敏感度值的增长，自行车公司的利润也在增长。这与小规模案例的结果相对应（第5.1.2节）。与此同时，随着敏感度的增长，利润增长也在放缓。这与图8（b）中满足需求增长的持续放缓一致。原因是，当用户对自行车数量的变化高度敏感时，车辆的利用率很高。这降低了自行车公司通过再平衡可以增加的利润率。图8（c）还表明，尽管自行车公司在重新平衡方面更加积极，并且随着用户敏感度的增加，请求数量也在增加，但它们最终会稳定下来，因为它们无法进一步增加利润。这些结果得出以下结论：1.用户敏感度的提高可以增加自行车共享公司的利润，自行车共享公司实际服务需求和再平衡要求也会相应增加。2.随着价值的增长，用户敏感度的促进作用在边际效用上降低。
5.2.3. Analysis of the impact of vehicle capacity
在本节中，我们分析了车辆容量对自行车共享公司利润的影响。用户敏感度取值为0.01。如图9所示，自行车共享公司的利润随着容量的增加而增长。这种增长正在放缓，这表明仅仅增加产能并不是自行车共享公司的最佳安排。关于该图的另一个观察结果是，与小规模示例相比，大型网络中单个顶点的最大初始自行车数的影响并不显著。这反映在图9中，对于不同的最大初始自行车数，曲线的趋势有相当大的重叠。这与现实相符，在现实生活中，自由流动的共享自行车分布非常广泛，而居民出行的多样性使得很难生成一个超级有影响力的顶点
6. Conclusions
提出了一个可变需求的自行车共享再平衡问题（BRPVD）。该问题考虑了FFBSS的特点，即某一地区的用户需求受该地区自行车数量的影响。该问题被表示为一个混合整数非线性问题。然后介绍了一种等价于原问题的外近似线性化方法。以北京莫比克公司的实际数据为例进行了案例研究，结果表明需求对运营商的利润有显著影响。本研究可以为决策者提供从再平衡计划制定到最佳车辆容量设置的一些见解。未来的研究可以考虑三个方面。首先，可以考虑具有不同路线计划的多车辆和区域跳跃，因为当路线成本降低时，运营商可以获得更高的利润。其次，可以综合考虑自行车数量和价格对需求的影响。第三，可以研究大规模问题的高效精确算法。
附录
本节提供了DBSCAN的详细信息。表A.1中列出了DBSCAN的初步概念。
p
s
ps
ps表示要聚类的所有点。如果一个点
q
q
q落在以
p
p
p为中心的半径
e
p
s
eps
eps的圆内，则
q
q
q称为
p
p
p的ε-邻域。如果其ε-邻域的数目不小于最小数目MinP，则该点称为核心点，否则称为边界点。所有ε-邻域点都是可以直接到达其核心点的密度。如果
p
p
p是
q
q
q的ε邻域，则核心点
p
p
p的ε-邻域点是核心点q可以达到的密度。
如果两个点都是从第三点可以达到的，则它们是密度连接的。如果一组点满足以下两个要求，则它们构成簇：
(1).对于星团中的任何一点，密度可达的任何其他点也属于该星团；
(2). 簇中的所有点都是密度连接的。
上述概念的图形表示如图A.1所示。具体的聚类算法如算法A.1所述
- q q q称为 p p p的ε-邻域：图示,见以 5为中心以半径 e p s eps eps的圆.
- 核心点: 图示，见1,2为例。
1 在3的邻域内
1 在2的邻域内
☀️ 设置的最小邻域个数 M i n P t = 2 MinPt=2 MinPt=2, 因此， 1为核心点
2 在1的邻域内
2 在4的邻域内
☀️ 同理
- 核心点之间的可达密度： 图示， 见核心点1,2 为例
参考资料：
- 《DBSCAN 聚类算法》的《详解》连接
附录：
伪代码编译
\begin{algorithm} %生成浮动式图
\caption{DBSCAN 伪代码} %标题
% 由algorighmic完成代码的编译部分
\begin{algorithmic}[1] %[1]表示每行显示行号 ，且由123..排序
\Require 点集ps，邻域半径eps,邻域的最小个数MinP.
\Ensure 簇 cl.
\For {q in ps}
\State 标记q为unvisited(未拜访的)
\EndFor
\For {q in ps }
\If {q 的标记为visited 或者 q 属于任意簇}:
\State 跳过(continue)
\Else:
\If {q 是 cp(核心点)}
\State 标记q为visited.且创造一个新簇 cl
\For {p 是 q的$\epsilon$的邻域内的点(p $\in n_{\epsilon}(q)$ )}
\If {p 的标记为unvisited}
\State 将p放入簇cl中
\EndIf
\EndFor
\EndIf
\EndIf
\EndFor
\State Return 簇 cl
\end{algorithmic}
\end{algorithm}
476
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
