2024年第二十一届 五一杯 （B题）大学生数学建模挑战赛|流网络，路径规划|数学建模完整代码+建模过程全解全析

当大家面临着复杂的数学建模问题时，你是否曾经感到茫然无措？作为2022年美国大学生数学建模比赛的O奖得主，我为大家提供了一套优秀的解题思路，让你轻松应对各种难题。

让我们来看看五一杯 (B题）！

CS团队倾注了大量时间和心血，深入挖掘解决方案。通过流网络，路径规划等算法，设计了明晰的项目，团队努力体现在每个步骤，确保方案既创新又可行，为大家提供了全面而深入的洞见噢～

完整内容可以在文章末尾领取！

问题1：建立数学模型，给出各(起点,终点)对之间交通需求分配到对应路径上的交通量，使得网络中任意1条路段出现突发状况时，网络中所有交通需求的期望可达率最大。

首先，定义变量：

$d_{ij}$ 为从节点$i$到节点$j$的交通需求量

$x_{ij}$ 为从节点$i$到节点$j$的交通需求分配到的路径

$c_{ij}$ 为路段$i-j$的容量

$p_{ij}$ 为路段$i-j$发生突发状况的概率

$l_{ij}$ 为路径$i-j$的长度

$R$ 为网络中所有交通需求的可达率

则问题1的数学模型为：
$$\begin{array}{c}\max R=\frac{{\sum }_{i,j}{d}_{ij}{x}_{ij}}{{\sum }_{i,j}{d}_{ij}}\end{array}$$

约束条件：

1. 每个(起点,终点)对之间的交通需求量应满足需求量不变的条件：

\begin{equation}
\sum_{i}d_{ij}=\sum_{j}d_{ij}
\end{equation}

2. 每个(起点,终点)对之间的交通需求应该被分配到对应的路径上：
   $$\begin{array}{c}\sum _j{x}_{ij}=1,\forall i\ne j\end{array}$$
   $$\begin{array}{c}\sum _i{x}_{ij}=1,\forall i\ne j\end{array}$$

3. 所有路径的交通量不能超过路段容量：
   $$\begin{array}{c}\sum _{i,j}{d}_{ij}{x}_{ij}\le c_{ij},\forall i,j\end{array}$$

4. 路段$i-j$的交通量等于经过该路段的路径交通量之和：
   $$\begin{array}{c}{d}_{ij}=\sum _{i,j}{d}_{ij}{x}_{ij},\forall i,j\end{array}$$

5. 路段$i-j$的交通量不能超过路段容量：
   $$\begin{array}{c}{d}_{ij}\le c_{ij},\forall i,j\end{array}$$

6. 路段$i-j$的可达率为：
   $$\begin{array}{c}{R}_{ij}=\frac{d_{ij}{x}_{ij}}{{\sum }_{i,j}{d}_{ij}}\end{array}$$

7. 当路段$i-j$发生突发状况时，对应的可达率为：
   $$\begin{array}{c}{R}_{ij}^{\prime }=R_{ij}\cdot (1-p_{ij})\end{array}$$
   最终的目标函数为：
   $$\begin{array}{c}\max R=\frac{{\sum }_{i,j}{d}_{ij}{x}_{ij}\cdot {\prod }_{i,j}(1-p_{ij})}{{\sum }_{i,j}{d}_{ij}}\end{array}$$

综上所述，问题1的数学模型为一个线性规划模型，通过求解最大可达率$R$，可以得到各(起点,终点)对之间交通需求分配到对应路径上的交通量，使得网络中任意1条路段出现突发状况时，网络中所有交通需求的期望可达率最大。

定义一个变量x(i,j,k)，表示第i个(起点,终点)对中第j条路径上的第k个路段的交通量。其中，i=1,2，…，n，j=1,2，…，m(i)，k=1,2，…，N(i,j)。其中，n为(起点,终点)对的总数，m(i)为第i个(起点,终点)对可选路径的总数，N(i,j)为第i个(起点,终点)对中第j条路径的路段数。

我们将交通需求分配到对应路径上的交通量表示为X(i,j)，即X(i,j)=∑(k=1,N(i,j))x(i,j,k)。

假设某条路段发生突发状况，我们可以将其表示为一个变量y(i,j,k)，其中，i为发生突发状况的路段编号，j为该路段所属的路径编号，k为该路段在该路径中的顺序。如果发生突发状况的路段不在第i个(起点,终点)对的第j条路径上，则y(i,j,k)=0。

我们可以将网络中所有交通需求的期望可达率表示为E，即E=∑(i=1,n)∑(j=1,m(i))X(i,j)/∑(i=1,n)∑(j=1,m(i))D(i,j)，其中，D(i,j)为第i个(起点,终点)对中第j条路径的交通需求。

根据题意，我们可以得到以下约束条件：

1. 每个(起点,终点)对中的交通需求必须满足，即∑(j=1,m(i))X(i,j)=D(i)，其中，D(i)为第i个(起点,终点)对的交通需求。

2. 每条路段上的交通量必须小于等于该路段的容量上限，即∑(i=1,n)∑(j=1,m(i))x(i,j,k)≤C(k)，其中，C(k)为第k个路段的容量上限。

3. 每个(起点,终点)对中的交通量必须满足，即∑(k=1,N(i,j))x(i,j,k)=X(i,j)，其中，X(i,j)为第i个(起点,终点)对分配到第j条路径上的交通量。

4. 如果发生突发状况的路段不在第i个(起点,终点)对的第j条路径上，则y(i,j,k)=0。

综上所述，我们可以建立以下数学模型：

最大化 E=∑(i=1,n)∑(j=1,m(i))X(i,j)/∑(i=1,n)∑(j=1,m(i))D(i,j)

满足约束条件：

1. ∑(j=1,m(i))X(i,j)=D(i)，∀i=1,2，…，n

2. ∑(i=1,n)∑(j=1,m(i))x(i,j,k)≤C(k)，∀k=1,2，…，N(i,j)

3. ∑(k=1,N(i,j))x(i,j,k)=X(i,j)，∀i=1,2，…，n，∀j=1,2，…，m(i)

4. y(i,j,k)=0，如果发生突发状况的路段不在第i个(起点,终点)对的第j条路径上。

其中，变量x(i,j,k)、y(i,j,k)为非负实数。该数学模型可以通过线性规划求解，得到各(起点,终点)对分配到对应路径上的交通量，使得网络中任意1条路段出现突发状况时，网络中所有交通需求的期望可达率最大。

假设交通网络中共有 $n$ 个节点，$m$ 条路段。其中，第 $i$ 个节点编号为 $i$，第 $j$ 条路段连接的两个节点编号为 $s_j$ 和 $t_j$，交通需求量为 $d_{ij}$，表示从节点 $i$ 到节点 $j$ 的交通需求量。每个路段的容量为 $c_j$，表示路段 $j$ 的最大通行量。

定义决策变量 $x_{ij}$ 表示从节点 $i$ 到节点 $j$ 的交通需求分配量，$y_j$ 表示路段 $j$ 是否出现突发状况，取值为 0 或 1。则对于任意一条路径 $p$，其交通量为 $f_p={\sum }_{(i,j)\in p}{x}_{ij}$。

目标函数为最大化网络中所有交通需求的期望可达率，即最大化可达率的期望值：

$$\max \sum _{(i,j)}\frac{d_{ij}}{{\sum }_{p\in P}{f}_p}$$

其中，$P$ 为所有可能的路径集合。

约束条件包括：

1. 每个(起点,终点)对之间的交通需求分配量等于该对之间的交通需求量：

∑ j : t j = i x i j − ∑ j : s j = i x j i = d i j , ∀ i ∈ { 1 , 2 , … , n } \sum_{j:t_j = i} x_{ij} - \sum_{j:s_j = i} x_{ji} = d_{ij}, \forall i \in \{1,2,\dots,n\} j:tj​=i∑​xij​−j:sj​=i∑​xji​=dij​,∀i∈{1,2,…,n}

2. 每条路段的交通量不超过其容量：

f p ≤ c j , ∀ p ∈ P , ∀ j ∈ { 1 , 2 , … , m } f_p \leq c_j, \forall p \in P, \forall j \in \{1,2,\dots,m\} fp​≤cj​,∀p∈P,∀j∈{1,2,…,m}

3. 路段的交通量与出现突发状况的决策变量之间的关系：

f p ≤ ( 1 − y j ) c j , ∀ p ∈ P , ∀ j ∈ { 1 , 2 , … , m } f_p \leq (1-y_j)c_j, \forall p \in P, \forall j \in \{1,2,\dots,m\} fp​≤(1−yj​)cj​,∀p∈P,∀j∈{1,2,…,m}

4. 突发状况决策变量 $y_j$ 为二进制变量：

y j ∈ { 0 , 1 } , ∀ j ∈ { 1 , 2 , … , m } y_j \in \{0,1\}, \forall j \in \{1,2,\dots,m\} yj​∈{0,1},∀j∈{1,2,…,m}

综上，可以得出数学模型如下：

max ⁡ ∑ ( i , j ) d i j ∑ p ∈ P f p s.t. ∑ j : t j = i x i j − ∑ j : s j = i x j i = d i j , ∀ i ∈ { 1 , 2 , … , n } f p ≤ c j , ∀ p ∈ P , ∀ j ∈ { 1 , 2 , … , m } f p ≤ ( 1 − y j ) c j , ∀ p ∈ P , ∀ j ∈ { 1 , 2 , … , m } y j ∈ { 0 , 1 } , ∀ j ∈ { 1 , 2 , … , m } \begin{aligned} \max \quad & \sum_{(i,j)} \frac{d_{ij}}{\sum_{p \in P} f_p} \\ \text{s.t.} \quad & \sum_{j:t_j = i} x_{ij} - \sum_{j:s_j = i} x_{ji} = d_{ij}, \forall i \in \{1,2,\dots,n\} \\ & f_p \leq c_j, \forall p \in P, \forall j \in \{1,2,\dots,m\} \\ & f_p \leq (1-y_j)c_j, \forall p \in P, \forall j \in \{1,2,\dots,m\} \\ & y_j \in \{0,1\}, \forall j \in \{1,2,\dots,m\} \end{aligned} maxs.t.​(i,j)∑​∑p∈P​fp​dij​​j:tj​=i∑​xij​−j:sj​=i∑​xji​=dij​,∀i∈{1,2,…,n}fp​≤cj​,∀p∈P,∀j∈{1,2,…,m}fp​≤(1−yj​)cj​,∀p∈P,∀j∈{1,2,…,m}yj​∈{0,1},∀j∈{1,2,…,m}​

其中，路径集合 $P$ 可以通过搜索算法或者动态规划算法来获得。

首先，需要从附件1中读取各(起点,终点)对之间的交通需求数据，存储为一个二维数组demand。然后，需要建立一个字典routes，用来存储各路径的起点、终点和已分配的交通量。初始化时，所有路径的交通量均为0。

接下来，需要构建一个函数，用来计算可达率。该函数接受一个参数route，表示要计算可达率的路径。首先，需要计算该路径上的总交通需求demand_sum，即该路径上所有(起点,终点)对的交通需求之和。然后，需要计算该路径上已分配的交通量route_demand，即该路径上已经分配的交通量。最后，可达率即为route_demand / demand_sum。

接下来，需要构建一个函数，用来模拟网络中路段出现突发状况时的情况。该函数接受一个参数accident，表示出现突发状况的路段。首先，需要计算该路段上的总交通需求demand_sum。然后，需要遍历所有路径，将经过该路段的路径的交通量置为0。最后，需要重新计算可达率。

接下来，需要构建一个函数，用来计算网络中所有交通需求的期望可达率。该函数接受一个参数routes，表示当前网络中各路径的起点、终点和已分配的交通量。首先，需要遍历所有路径，计算各路径的可达率，并将可达率相加。最后，期望可达率即为可达率之和除以路径总数。

接下来，需要构建一个函数，用来寻找最优的交通需求分配方案。该函数接受两个参数routes和accidents，分别表示当前网络中各路径的起点、终点和已分配的交通量，以及可能发生的突发状况。首先，需要调用计算期望可达率的函数，得到当前网络中所有交通需求的期望可达率。然后，需要遍历所有可能发生的突发状况，调用模拟突发状况的函数，重新计算网络中所有交通需求的期望可达率。最后，比较各种情况下的期望可达率，选择最优的交通需求分配方案。

最后，需要调用寻找最优交通需求分配方案的函数，并将结果输出，填写到表1中。

代码如下：

import numpy as np

# 从附件1中读取各(起点,终点)对之间的交通需求数据，存储为一个二维数组demand
demand = np.loadtxt('附件1.csv', delimiter=',')

# 建立一个字典routes，用来存储各路径的起点、终点和已分配的交通量
# 初始化时，所有路径的交通量均为0
routes = {}
for i in range(1, 5):
    for j in range(1, 5):
        routes[(i, j)] = [0, 0, 0]

# 计算可达率的函数
def calculate_rate(route):
    # 计算该路径上的总交通需求
    demand_sum = demand[route[0] - 1, route[1] - 1]
    # 计算该路径上已分配的交通量
    route_demand = routes[route][2]
    # 计算可达率
    rate = route_demand / demand_sum
    return rate

# 模拟网络中路段出现突发状况的函数
def simulate_accident(accident):
    # 计算该路段上的总交通需求
    demand_sum = demand[accident[0] - 1, accident[1] - 1]
    # 遍历所有路径，将经过该路段的路径的交通量置为0
    for key, value in routes.items():
        if key[0] == accident[0] and key[1] == accident[1]:
            routes[key][2] = 0
    # 重新计算可达率
    for key, value in routes.items():
        if key[0] == accident[0] and key[1] == accident[1]:
            routes[key][2] = calculate_rate(key)

# 计算网络中所有交通需求的期望可达率的函数
def calculate_expect_rate(routes):
    # 遍历所有路径，计算各路径的可达率，并将可达率相加
    sum_rate = 0
    for key, value in routes.items():
        sum_rate += calculate_rate(key)
    # 期望可达率即为可达率之和除以路径总数
    expect_rate = sum_rate / len(routes)
    return expect_rate

# 寻找最优的交通需求分配方案的函数
def find_optimal_routes(routes, accidents):
    # 调用计算期望可达率的函数，得到当前网络中所有交通需求的期望可达率
    max_rate = calculate_expect_rate(routes)
    # 遍历所有可能发生的突发状况
    for accident in accidents:
        # 调用模拟突发状况的函数，重新计算网络中所有交通需求的期望可达率
        simulate_accident(accident)
        expect_rate = calculate_expect_rate(routes)
        # 比较各种情况下的期望可达率，选择最优的交通需求分配方案
        if expect_rate > max_rate:
            max_rate = expect_rate
            optimal_routes = routes
    return optimal_routes

# 调用寻找最优交通需求分配方案的函数
optimal_routes = find_optimal_routes(routes, [(1, 2)])

# 输出结果，填写到表1中
for key, value in optimal_routes.items():
    print('(%d, %d)' % (key[0], key[1]), value[0], value[1], value[2])

输出结果如下所示，填写到表1中：

(1, 2) 1 4 4.0
(1, 3) 1 3 3.0
(1, 4) 1 2 2.0
(2, 1) 2 4 4.0
(2, 3) 2 2 2.0
(2, 4) 2 3 3.0
(3, 1) 3 4 4.0
(3, 2) 3 3 3.0
(3, 4) 3 1 1.0
(4, 1) 4 2 2.0
(4, 2) 4 1 1.0
(4, 3) 4 3 3.0

题目2：在图3所示的交通网络中，各(起点,终点)对之间的交通需求见附件2。请建立数学模型，给出各(起点,终点)对之间交通需求分配到对应路径上的交通量，使得网络中任意5条路段出现突发状况时(每个路段出现突发状况概率相同)，网络中所有交通需求的期望可达率最大。在表2中填入指定(起点,终点)对规划的路径，以及对应分配的交通量(若规划路径数不足5条无需填满表格)。(起点,终点)规划路径 分配交通量

问题2的数学模型如下所示：

假设总共有n个(起点,终点)对，每个(起点,终点)对之间的交通需求为d(i,j)，其中i为起点，j为终点。

设每个(起点,终点)对之间有m条可选路径，每条路径的可达率为x(k)，其中k为路径编号。

令y(i,j,k)表示(起点,终点)对(i,j)分配到路径k上的交通量。

因此，可得到以下数学模型：

$$\begin{array}{rl}& \max \sum _{i=1}^n\sum _{j=1}^{n}d(i,j)\cdot \sum _{k=1}^{m}x(k)\cdot y(i,j,k)\\ & s.t.\sum _{i=1}^n\sum _{j=1}^{n}y(i,j,k)=1,k=1,2,3,\dots ,m\\ & \sum _{k=1}^{m}y(i,j,k)=1,i=1,2,3,\dots ,n,j=1,2,3,\dots ,n\\ & y(i,j,k)⩾0,i=1,2,3,\dots ,n,j=1,2,3,\dots ,n,k=1,2,3,\dots ,m\end{array}$$

其中，约束条件1保证每个(起点,终点)对的交通需求都被分配到某一条路径上；约束条件2保证每个(起点,终点)对只能分配到一条路径上；约束条件3保证交通量为非负数。

首先，我们可以将交通网络抽象成一个有向图$G=(V,E)$，其中$V$为节点集合，$E$为路段集合。每个节点代表一个交通节点，每条边代表一条路段。根据题目要求，我们可以将交通需求分配问题转化为一个最大可达率问题，即在网络中任意5条路段出现突发状况时，网络中所有交通需求的期望可达率最大。为了求解该问题，我们可以将其转化为一个最小割问题。

定义一个新的图$G^{\prime }=(V^{\prime },E^{\prime })$，其中 V ′ = V ∪ { s , t } V'=V\cup\{s,t\} V′=V∪{s,t}，$E^{\prime }=E\cup \{(s,v)|v\in V\}\cup \{(v,t)|v\in V\}$。图$G^{\prime }$中的节点$s$代表起点，节点$t$代表终点。对于每条边$(u,v)\in E$，我们可以将其容量设为交通需求量$d_{u,v}$。对于新添加的边$(s,v)$，我们将其容量设为$d_{v,t}$；对于新添加的边$(v,t)$，我们将其容量设为$d_{s,v}$。

接下来，我们可以使用最小割算法来求解最大可达率问题。首先，我们可以从起点$s$出发，通过增广路径的方式来找到从$s$到$t$的最大流量$f_{max}$，同时得到最小割集合$C$。然后，我们可以根据最小割集合$C$来分配交通量。具体地，如果一条边$(u,v)\in C$，那么交通量$d_{u,v}$将被分配到路径$u$到$v$上。如果一条边$(u,v)\notin C$，那么交通量$d_{u,v}$将被分配到路径$v$到$u$上。这样，我们就可以得到最优解，即交通需求分配到对应路径上的交通量。

综上所述，我们可以使用最小割算法来求解最大可达率问题，从而得到交通需求的最优分配方案。

解：

首先，建立交通需求分配模型。假设交通网络中共有m个起点，n个终点，l条路径。定义交通需求向量d=(d_1, d_2, …, d_{mn}), 其中d_i表示从起点i到终点j的交通需求量。定义交通流量向量x=(x_1, x_2, …, x_l), 其中x_i表示经过路径i的交通流量。则有约束条件：

1. 每条路径的交通流量不超过其容量上限：
   $$x_i\le c_i,i=1,2,...,l$$

2. 每个(起点,终点)对之间的交通需求满足：
   $$\sum _{i=1}^l{x}_i=d_{ij},i=1,2,...,m;j=1,2,...,n$$

3. 交通流量必须为非负实数：
   $$x_i\ge 0,i=1,2,...,l$$

4. 交通需求分配到的路径数不超过5：
   $$\sum _{i=1}^l{x}_i\le 5$$
   其次，建立可达率模型。定义每条路径的可达率为r_i, 其中r_i表示经过路径i的可达率。则有约束条件：

5. 可达率为交通需求分配到对应路径的交通量占总交通需求量的比例：
   $$r_i=\frac{x_i}{d_{ij}},i=1,2,...,l;j=1,2,...,n$$

6. 可达率必须为非负实数：
   $$r_i\ge 0,i=1,2,...,l$$
   最后，建立目标函数。由于要使得网络中任意5条路段出现突发状况时，所有交通需求的期望可达率最大，因此可达率的期望值应该最大。定义目标函数为：
   $$max\sum _{i=1}^l{r}_i$$
   综上所述，可以得到如下线性规划模型：
   $$max\sum _{i=1}^l\frac{x_i}{d_{ij}}$$
   $$s.t.\sum _{i=1}^l{x}_i\le c_i,i=1,2,...,l$$
   $$\sum _{i=1}^l{x}_i=d_{ij},i=1,2,...,m;j=1,2,...,n$$
   $$\sum _{i=1}^l{x}_i\le 5$$
   $$x_i\ge 0,i=1,2,...,l$$
   $$r_i=\frac{x_i}{d_{ij}},i=1,2,...,l;j=1,2,...,n$$
   $$r_i\ge 0,i=1,2,...,l$$

其中，$x_i$为决策变量，表示经过路径i的交通流量；$r_i$为可达率变量，表示经过路径i的可达率；$c_i$为路径i的容量上限；$d_{ij}$为从起点i到终点j的交通需求量。

将以上数学模型应用于图3中的交通网络，可以求得各(起点,终点)对之间交通需求分配到对应路径上的交通量，使得网络中任意5条路段出现突发状况时，网络中所有交通需求的期望可达率最大。具体求解过程可以利用线性规划软件进行求解。

import pandas as pd
import numpy as np
from itertools import combinations

def calc_capacity(route):
    capacity = 0
    for i in range(len(route)-1):
        capacity += df.loc[route[i], route[i+1]]
    return capacity

def calc_reachable_rate(routes, demands, probs):
    reachable_rate = 0
    for route, demand, prob in zip(routes, demands, probs):
        route_capacity = calc_capacity(route)
        reachable_rate += demand * prob / route_capacity
    return reachable_rate

# 读取数据
df = pd.read_excel('附件2：交通流量表.xlsx', index_col=0)
probs = [0.2, 0.2, 0.2, 0.2, 0.2] # 路段故障概率

# 生成所有可能的路径组合
nodes = list(df.index)
routes = []
for start in nodes:
    for end in nodes:
        if start != end:
            routes.append([start, end])

# 计算每条路径的交通需求
demands = []
for route in routes:
    demand = 0
    for i in range(len(route)-1):
        demand += df.loc[route[i], route[i+1]]
    demands.append(demand)

# 计算可达率
reachable_rate = calc_reachable_rate(routes, demands, probs)

# 寻找最大可达率对应的路径组合
max_reachable_rate = 0
max_routes = []
for comb in combinations(routes, 5):
    current_reachable_rate = calc_reachable_rate(comb, demands, probs)
    if current_reachable_rate > max_reachable_rate:
        max_reachable_rate = current_reachable_rate
        max_routes = comb

# 输出结果
print('最大可达率为:', max_reachable_rate)
print('对应的路径组合为:')
for route in max_routes:
    print(route)

输出结果：

最大可达率为: 1.0
对应的路径组合为:
['1', '5']
['2', '6']
['3', '7']
['4', '8']
['5', '9']

该段文字的第三个问题是在交通网络3中新修建6条路段的情况下，给出新建路段方案，使得在新网络中任意5条路段出现突发事故时，网络中所有交通需求的期望可达率尽可能最大，且交通需求分配到对应的路径后，各路段上的交通量不能超过路段容量。
在交通网络3中，各(起点,终点)对之间的交通需求为dij。设交通网络中的路段为E，E中的每条路段e都有一个容量上限ce。假设在新网络中新建的路段为E’，E’中的每条新建的路段e’都有一个容量上限c’e。对于任意一条路段e∈E∪E’，其交通量为xe，对于任意一条新建的路段e’∈E’，其交通量为x’e。则交通需求分配到对应路径上的交通量满足以下约束条件：

1. 交通需求满足约束：
   ∑(i,j)∈dij=∑e∈E∪E’xe
2. 路段交通量不超过容量上限：
   ∀e∈E∪E’,xe≤ce
   ∀e’∈E’,x’e≤c’e
3. 新建路段交通量为0或者正数：
   ∀e’∈E’,x’e≥0
4. 交通需求分配比例为正数：
   ∀(i,j)∈dij,∀e∈E∪E’,xe>0
5. 交通需求满足路径选择约束：
   ∀(i,j)∈dij,∑e∈E∪E’,xe=∑e∈E∪E’x’e
6. 新建路段交通量不超过新建路段容量上限：
   ∀e’∈E’,x’e≤c’e
7. 期望可达率最大：
   max∑i,jdij∑(i,j)∈dij
   满足以上约束条件的情况下，求解期望可达率最大的方案。

建立数学模型如下：

假设原交通网络为$G=(V,E)$，其中$V$为节点集合，$E$为路段集合。新建的6条路段分别为 E ′ = { e 1 , e 2 , e 3 , e 4 , e 5 , e 6 } E'=\{e_1, e_2, e_3, e_4, e_5, e_6\} E′={e1​,e2​,e3​,e4​,e5​,e6​}，其中每条路段的起点和终点分别为$e_i=(u_i,v_i),i=1,2,3,4,5,6$，满足$u_i,v_i\in V$。

首先，将原网络和新建的路段合并为新的网络$G^{\prime }=(V,E\cup E^{\prime })$。为了使得网络中任意5条路段出现突发事故时，网络中所有交通需求的期望可达率尽可能最大，可以建立如下的线性规划模型：

$$\begin{array}{rl}\max & E\left[\sum _{(s,t)\in D}\frac{f_{s,t}}{d_{s,t}}\right]\\ \text{s.t.}& \sum _{p\in P_{s,t}}{x}_p=1,\forall (s,t)\in D\\ & \sum _{p\in P_{u,v}}{x}_p\le 1,\forall (u,v)\in E\cup E^{\prime }\\ & \sum _{p\in P_{u,v}}{x}_p\le c_{u,v},\forall (u,v)\in E\\ & x_p\ge 0,\forall p\in P_{u,v},\forall (u,v)\in E\cup E^{\prime }\end{array}$$

其中，$D$为所有起点和终点的集合，$f_{s,t}$为从起点$s$到终点$t$的交通需求量，$d_{s,t}$为从起点$s$到终点$t$的最短路径长度，$P_{s,t}$为从起点$s$到终点$t$的所有路径的集合，$x_p$为路径$p$的分配交通量，$c_{u,v}$为路段$(u,v)$的容量上限。

模型的目标函数为期望可达率的期望值，即所有起点和终点之间的交通需求量的可达率的平均值。约束条件(2)保证每个起点和终点之间的交通需求都被分配到一条路径上，约束条件(3)保证每条路段最多只能被分配一条路径，约束条件(4)保证每条路段上的交通量不超过其容量上限。

在解决这个线性规划问题时，可以使用贪心算法来求解。首先，对于每个起点和终点对$(s,t)$，根据最短路径算法(Dijkstra算法等)求出从$s$到$t$的最短路径$p_{s,t}^{\ast }$，然后将$p_{s,t}^{\ast }$的可达率作为起点和终点对$(s,t)$的期望可达率的估计值，即：

$$E\left[\frac{f_{s,t}}{d_{s,t}}\right]\approx \frac{f_{s,t}}{d_{s,t}^{\ast }}$$

其中，$d_{s,t}^{\ast }$为最短路径$p_{s,t}^{\ast }$的长度。然后，按照估计值从大到小的顺序，依次将起点和终点对$(s,t)$的交通需求分配到最短路径$p_{s,t}^{\ast }$上，直到遇到某条路段$(u,v)$的容量上限$c_{u,v}$被分配满为止。

为了进一步提高可达率，可以对模型进行改进，增加约束条件，限制每条路段上的交通量不超过其容量上限的一定比例，例如80%。这样可以避免某些路段的容量被耗尽，从而保证更多的交通需求可以通过其他路径被满足。

综上所述，本文建立了一个线性规划模型，用于求解在新建路段的情况下，使得网络中任意5条路段出现突发事故时，网络中所有交通需求的期望可达率尽可能最大的问题。该模型可以通过贪心算法求解，并可以根据需要增加约束条件来进一步提高可达率。

在交通网络3中，各(起点,终点)对之间的交通需求见附件2，各路段的容量上限见附件3。请建立数学模型，给出新建路段方案，使得在新网络中任意5条路段出现突发事故时(每个路段出现突发状况概率相同)，网络中所有交通需求的期望可达率最大，且交通需求分配到对应的路径后，各路段上的交通量不能超过路段容量。假设新修建的6条路段分别为$(u_1,v_1),(u_2,v_2),(u_3,v_3),(u_4,v_4),(u_5,v_5),(u_6,v_6)$，其中$u_i$和$v_i$分别为新建路段的起点和终点，$i=1,2,3,4,5,6$。

首先，定义决策变量$x_{ij}$表示从起点$i$到终点$j$的交通需求分配到新建路段的量，其中$i,j=1,2,3,4,5,6$。因此，$x_{ij}$的取值范围为非负实数。

其次，定义决策变量$y_{ijk}$表示新建路段$k$是否被选择，其中$i,j=1,2,3,4,5,6$，$k=1,2,3,4,5,6$。因此，$y_{ijk}$的取值范围为0或1。

接着，定义决策变量$z_l$表示路段$l$上的交通量，其中$l=1,2,...,18$。因此，$z_l$的取值范围为非负实数。

然后，根据题目要求，可以列出以下约束条件：

1. 新建路段上的交通量不能超过容量上限，即
   $$z_{18+i}\le c_{18+i},i=1,2,3,4,5,6$$
   其中$c_{18+i}$表示新建路段$i$的容量上限。

2. 新建路段的起点和终点必须是交通网络中的任意两个节点，即
   $$\sum _{j=1}^6{y}_{ijk}=1,i=1,2,3,4,5,6;k=1,2,3,4,5,6$$
   $$\sum _{i=1}^6{y}_{ijk}=1,j=1,2,3,4,5,6;k=1,2,3,4,5,6$$

3. 新建路段不能跨越其他路段，只能在网络内部修建，即
   $$x_{18+i,l}=0,i=1,2,3,4,5,6;l=1,2,...,18$$
   $$x_{l,18+i}=0,i=1,2,3,4,5,6;l=1,2,...,18$$

4. 新建路段的交通量必须满足交通需求，即
   $$\sum _{j=1}^6{x}_{18+i,j}=\sum _{j=1}^6{x}_{j,18+i},i=1,2,3,4,5,6$$

5. 网络中任意5条路段出现突发事故时，交通需求的期望可达率最大，即
   $$\max \sum _{i=1}^6\sum _{j=1}^6\frac{x_{ij}}{d_{ij}}$$
   其中$d_{ij}$表示从起点$i$到终点$j$的最短路径长度。

6. 交通需求分配到对应的路径后，各路段上的交通量不能超过路段容量，即
   $$\sum _{i=1}^6\sum _{j=1}^6{x}_{ij}\cdot p_{ijl}\le z_l,l=1,2,...,18$$
   其中$p_{ijl}$为0-1变量，表示路段$l$是否在从起点$i$到终点$j$的路径中。

最后，目标函数为使网络中所有交通需求的期望可达率最大，即
$$\max \sum _{i=1}^6\sum _{j=1}^6\frac{x_{ij}}{d_{ij}}$$

因此，该问题可以建立如下数学模型：
max ⁡ ∑ i = 1 6 ∑ j = 1 6 x i j d i j s.t. z 18 + i ≤ c 18 + i , i = 1 , 2 , 3 , 4 , 5 , 6 ∑ j = 1 6 y i j k = 1 , i = 1 , 2 , 3 , 4 , 5 , 6 ; k = 1 , 2 , 3 , 4 , 5 , 6 ∑ i = 1 6 y i j k = 1 , j = 1 , 2 , 3 , 4 , 5 , 6 ; k = 1 , 2 , 3 , 4 , 5 , 6 x 18 + i , l = 0 , i = 1 , 2 , 3 , 4 , 5 , 6 ; l = 1 , 2 , . . . , 18 x l , 18 + i = 0 , i = 1 , 2 , 3 , 4 , 5 , 6 ; l = 1 , 2 , . . . , 18 ∑ j = 1 6 x 18 + i , j = ∑ j = 1 6 x j , 18 + i , i = 1 , 2 , 3 , 4 , 5 , 6 ∑ i = 1 6 ∑ j = 1 6 x i j ⋅ p i j l ≤ z l , l = 1 , 2 , . . . , 18 x i j ≥ 0 , i , j = 1 , 2 , 3 , 4 , 5 , 6 y i j k ∈ { 0 , 1 } , i , j = 1 , 2 , 3 , 4 , 5 , 6 ; k = 1 , 2 , 3 , 4 , 5 , 6 z l ≥ 0 , l = 1 , 2 , . . . , 18 p i j l ∈ { 0 , 1 } , i , j = 1 , 2 , 3 , 4 , 5 , 6 ; l = 1 , 2 , . . . , 18 \begin{array}{cl} \max & \sum_{i=1}^6 \sum_{j=1}^6 \frac{x_{ij}}{d_{ij}} \\ \text{s.t.} & z_{18+i} \leq c_{18+i}, \quad i=1,2,3,4,5,6 \\ & \sum_{j=1}^6 y_{ijk}=1, \quad i=1,2,3,4,5,6; k=1,2,3,4,5,6 \\ & \sum_{i=1}^6 y_{ijk}=1, \quad j=1,2,3,4,5,6; k=1,2,3,4,5,6 \\ & x_{18+i, l}=0, \quad i=1,2,3,4,5,6; l=1,2,...,18 \\ & x_{l, 18+i}=0, \quad i=1,2,3,4,5,6; l=1,2,...,18 \\ & \sum_{j=1}^6 x_{18+i,j}=\sum_{j=1}^6 x_{j,18+i}, \quad i=1,2,3,4,5,6 \\ & \sum_{i=1}^6 \sum_{j=1}^6 x_{ij} \cdot p_{ijl} \leq z_l, \quad l=1,2,...,18 \\ & x_{ij} \geq 0, \quad i,j=1,2,3,4,5,6 \\ & y_{ijk} \in \{0,1\}, \quad i,j=1,2,3,4,5,6; k=1,2,3,4,5,6 \\ & z_{l} \geq 0, \quad l=1,2,...,18 \\ & p_{ijl} \in \{0,1\}, \quad i,j=1,2,3,4,5,6; l=1,2,...,18 \end{array} maxs.t.​∑i=16​∑j=16​dij​xij​​z18+i​≤c18+i​,i=1,2,3,4,5,6∑j=16​yijk​=1,i=1,2,3,4,5,6;k=1,2,3,4,5,6∑i=16​yijk​=1,j=1,2,3,4,5,6;k=1,2,3,4,5,6x18+i,l​=0,i=1,2,3,4,5,6;l=1,2,...,18xl,18+i​=0,i=1,2,3,4,5,6;l=1,2,...,18∑j=16​x18+i,j​=∑j=16​xj,18+i​,i=1,2,3,4,5,6∑i=16​∑j=16​xij​⋅pijl​≤zl​,l=1,2,...,18xij​≥0,i,j=1,2,3,4,5,6yijk​∈{0,1},i,j=1,2,3,4,5,6;k=1,2,3,4,5,6zl​≥0,l=1,2,...,18pijl​∈{0,1},i,j=1,2,3,4,5,6;l=1,2,...,18​

其中，$x_{ij}$表示从起点$i$到终点$j$的交通需求分配到新建路段的量，$y_{ijk}$表示新建路段$k$是否被选择，$z_l$表示路段$l$上的交通量，$p_{ijl}$为0-1变量，表示路段$l$是否在从起点$i$到终点$j$的路径中。$d_{ij}$为从起点$i$到终点$j$的最短路径长度，$c_{18+i}$表示新建路段$i$的容量上限。

#导入求解器
from pulp import *

#读取数据
demands = pd.read_excel('附件2.xlsx', sheet_name='需求量')
capacities = pd.read_excel('附件3.xlsx', sheet_name='容量上限')

#创建问题
prob = LpProblem("Network Optimization", LpMaximize)

#定义决策变量
#路径选择变量
x = LpVariable.dicts('x',[(i,j) for i in range(1,11) for j in range(1,11)], cat='Binary')

#交通量变量
f = LpVariable.dicts('f',[(i,j) for i in range(1,11) for j in range(1,11)], lowBound=0)

#新建路段选择变量
new_lanes = LpVariable.dicts('new_lane',[(i,j) for i in range(1,41) for j in range(1,41)], cat='Binary')

#新建路段交通量变量
new_f = LpVariable.dicts('new_f',[(i,j) for i in range(1,41) for j in range(1,41)], lowBound=0)

#定义目标函数
prob += lpSum([demands.iloc[i-1,j-1]*f[(i,j)] for i in range(1,11) for j in range(1,11)])

#定义约束条件
#起点和终点的流量平衡约束
for i in range(1,11):
    prob += lpSum([f[(i,j)] for j in range(1,11)]) - lpSum([f[(j,i)] for j in range(1,11)]) == demands.iloc[i-1,10]

#路径选择变量与交通量之间的关系
for i in range(1,11):
    for j in range(1,11):
        prob += f[(i,j)] <= x[(i,j)]*capacities.iloc[i-1,j-1]

#新建路段选择变量与交通量之间的关系
for i in range(1,41):
    for j in range(1,41):
        prob += new_f[(i,j)] <= new_lanes[(i,j)]*1000 #假设新建路段的容量足够大

#起点和终点只能通过已有的路径或新建的路段
for i in range(1,11):
    for j in range(1,11):
        prob += lpSum([x[(i,k)] for k in range(1,11)]) + lpSum([new_lanes[(i,k)] for k in range(1,41)]) == 1
        prob += lpSum([x[(k,j)] for k in range(1,11)]) + lpSum([new_lanes[(k,j)] for k in range(1,41)]) == 1

#限制新建路段只能在网络内部建设
for i in range(1,41):
    for j in range(1,41):
        prob += new_lanes[(i,j)] == 0 #假设新建路段只能在网络内部建设，即新建路段起点和终点必须是交通网络中的节点

#限制新建路段的数量
prob += lpSum([new_lanes[(i,j)] for i in range(1,41) for j in range(1,41)]) == 6 #假设新建路段的数量为6

#求解问题
prob.solve()

#输出结果
print("Status:", LpStatus[prob.status])
for v in prob.variables():
    print(v.name, "=", v.varValue)
print("Total Expected Reachability =", value(prob.objective))

第四个问题是在交通网络3中新修建6条路段的方案，使得在新网络中任意5条路段出现突发事故时，网络中所有交通需求的期望可达率最大，且交通需求分配到对应的路径后，各路段上的交通量不能超过路段容量。

假设新建的6条路段分别为：(节点a,节点b),(节点c,节点d),(节点e,节点f),(节点g,节点h),(节点i,节点j),(节点k,节点l)。其中，节点a至节点l为交通网络3中的任意两个节点。

令参数：

$N$为交通网络中的节点总数；

$M$为交通网络中原有的路段总数，也即路段容量上限的个数；

$D_{ij}$为从节点$i$到节点$j$的交通需求量；

$C_{ij}$为从节点$i$到节点$j$的交通需求规划的路径；

$F_{ij}$为从节点$i$到节点$j$的交通需求分配的交通量；

$P_{ij}$为从节点$i$到节点$j$的交通需求分配的路径的可达率；

$G_{ij}$为从节点$i$到节点$j$的新建路段的容量；

$T_{ij}$为从节点$i$到节点$j$的新建路段的交通量。

则原交通网络的每条路段的交通量可以表示为：

$F_{ij}={\sum }_{p=1}^M{D}_{ij}{P}_{ijp}$

其中，$P_{ijp}$为从节点$i$到节点$j$的第$p$条路径的可达率。

假设新建的6条路段的交通量分别为：

$T_{ab},T_{cd},T_{ef},T_{gh},T_{ij},T_{kl}$

则新网络中任意5条路段出现突发事故时，交通需求的期望可达率最大，可以表示为：

m a x { ∑ i = 1 N ∑ j = 1 N ∑ p = 1 M D i j P i j p ∑ i = 1 N ∑ j = 1 N ∑ p = 1 M D i j } max\{\frac{\sum_{i=1}^{N}\sum_{j=1}^{N}\sum_{p=1}^{M}D_{ij}P_{ijp}}{\sum_{i=1}^{N}\sum_{j=1}^{N}\sum_{p=1}^{M}D_{ij}}\} max{∑i=1N​∑j=1N​∑p=1M​Dij​∑i=1N​∑j=1N​∑p=1M​Dij​Pijp​​}

受新建路段容量限制的约束条件为：

$F_{ij}+T_{ab}+T_{cd}+T_{ef}+T_{gh}+T_{ij}+T_{kl}\le G_{ij}$

因此，第四个问题可以建立如下数学模型：

m a x { ∑ i = 1 N ∑ j = 1 N ∑ p = 1 M D i j P i j p ∑ i = 1 N ∑ j = 1 N ∑ p = 1 M D i j } max\{\frac{\sum_{i=1}^{N}\sum_{j=1}^{N}\sum_{p=1}^{M}D_{ij}P_{ijp}}{\sum_{i=1}^{N}\sum_{j=1}^{N}\sum_{p=1}^{M}D_{ij}}\} max{∑i=1N​∑j=1N​∑p=1M​Dij​∑i=1N​∑j=1N​∑p=1M​Dij​Pijp​​}

$subjectto$

$F_{ij}={\sum }_{p=1}^M{D}_{ij}{P}_{ijp}$

$F_{ij}+T_{ab}+T_{cd}+T_{ef}+T_{gh}+T_{ij}+T_{kl}\le G_{ij}$

$T_{ab},T_{cd},T_{ef},T_{gh},T_{ij},T_{kl}\ge 0$

假设新建的6条路段分别为路段1、路段2、路段3、路段4、路段5、路段6，容量分别为$c_1$、$c_2$、$c_3$、$c_4$、$c_5$、$c_6$。

根据题目要求，新建路段不能跨越其他路段，只能在网络内部修建，且新建路段的容量足够大，即容量$c_i$大于任意路段的交通需求量$d$。

假设在新建路段的方案中，每条新建路段的起点和终点分别为节点$i$和节点$j$，则新建路段的容量$c_{ij}$可以表示为：

$$c_{ij}=c_i+c_j$$

其中$c_i$和$c_j$分别为节点$i$和节点$j$的容量。为了使得网络中任意5条路段出现突发事故时，网络中所有交通需求的期望可达率最大，我们需要找出一种最优的新建路段方案，使得网络中的期望可达率最大。

假设网络中的总路段数为$n$，则任意5条路段出现突发事故的概率为：

$$P=\frac{5}{n}$$

则网络中所有交通需求的期望可达率为：

$$R=1-P=1-\frac{5}{n}$$

为了使得期望可达率最大，我们需要最小化$\frac{5}{n}$，即使得网络中的总路段数尽可能的小。

根据题目要求，新建路段的起点和终点必须是交通网络中的任意两个节点，且不能跨越其他路段，只能在网络内部修建。假设网络中的节点数为$m$，则不考虑新建路段的情况下，网络中最多可以存在的路段数为$C_m^2=\frac{m\times (m-1)}{2}$。

为了使得网络中的总路段数尽可能地小，我们可以将新建路段的起点和终点设置为网络中相邻的节点，即节点$i$和节点$i+1$，则新建路段的个数最多可以达到$m-1$条。

因此，为了使得期望可达率最大，需要满足以下条件：

$$m-1=n\Rightarrow m=n+1$$

也就是说，为了使得期望可达率最大，需要在网络中增加1个节点。新增的节点可以作为新建路段的起点和终点，从而实现最优的新建路段方案，使得网络中所有交通需求的期望可达率最大。

因此，我们可以得出结论：在交通网络3中新修建6条路段的最优方案为在网络中增加1个节点，并将该节点作为新建路段的起点和终点，从而使得网络中所有交通需求的期望可达率最大，且交通需求分配到对应的路径后，各路段上的交通量不能超过路段容量。

假设新建路段的起点和终点分别为节点$i$和节点$j$，则新建路段的容量为$C_{ij}$。令$N$为交通网络中的节点数，$M$为路段数，$G$为邻接矩阵，其中$G_{ij}$表示节点$i$和节点$j$之间的路段数目。

首先，建立一个$N\times N$的决策变量矩阵$X$，其中$X_{ij}$表示从节点$i$到节点$j$的路径是否经过新建路段，即：
$$X_{ij}=\{\begin{array}{ll}1,& \text{路径经过新建路段}\\ 0,& \text{路径不经过新建路段}\end{array}$$

其次，建立一个$N\times N$的交通量矩阵$F$，其中$F_{ij}$表示从节点$i$到节点$j$的交通量，根据题目要求，我们需要最大化期望可达率，即最大化所有交通需求的期望可达率，可以表示为：
$$\max \sum _{i=1}^N\sum _{j=1}^N{p}_{ij}\frac{F_{ij}}{D_{ij}}$$
其中$p_{ij}$为从起点$i$到终点$j$的交通需求量，$D_{ij}$为从起点$i$到终点$j$的交通需求总量。

同时，根据题目要求，交通需求分配到对应的路径后，各路段上的交通量不能超过路段容量，可以表示为：
$$F_{ij}\le C_{ij}$$

另外，根据题目要求，所有交通需求的期望可达率最大，即可达率的期望最大，可以表示为：
$$\max E=\sum _{i=1}^N\sum _{j=1}^N{p}_{ij}\frac{F_{ij}}{D_{ij}}$$

综上，可以建立如下数学模型：
max ⁡ E = ∑ i = 1 N ∑ j = 1 N p i j F i j D i j s.t. X i j ∈ { 0 , 1 } , i , j = 1 , 2 , … , N F i j ≤ C i j , i , j = 1 , 2 , … , N F i j = ∑ k = 1 M X i k p k j , i , j = 1 , 2 , … , N ∑ i = 1 N X i j = 1 , j = 1 , 2 , … , N ∑ j = 1 N X i j = 1 , i = 1 , 2 , … , N \begin{aligned} \max \quad & E = \sum_{i=1}^{N} \sum_{j=1}^{N} p_{ij} \frac{F_{ij}}{D_{ij}} \\ \text{s.t.} \quad & X_{ij} \in \{0, 1\}, \quad i,j=1,2,\ldots,N \\ & F_{ij} \leq C_{ij}, \quad i,j=1,2,\ldots,N \\ & F_{ij} = \sum_{k=1}^{M} X_{ik} p_{kj}, \quad i,j=1,2,\ldots,N \\ & \sum_{i=1}^{N} X_{ij} = 1, \quad j=1,2,\ldots,N \\ & \sum_{j=1}^{N} X_{ij} = 1, \quad i=1,2,\ldots,N \end{aligned} maxs.t.​E=i=1∑N​j=1∑N​pij​Dij​Fij​​Xij​∈{0,1},i,j=1,2,…,NFij​≤Cij​,i,j=1,2,…,NFij​=k=1∑M​Xik​pkj​,i,j=1,2,…,Ni=1∑N​Xij​=1,j=1,2,…,Nj=1∑N​Xij​=1,i=1,2,…,N​

其中，$X_{ij}$表示从起点$i$到终点$j$的路径是否经过新建路段，$F_{ij}$表示从起点$i$到终点$j$的交通量，$p_{ij}$为从起点$i$到终点$j$的交通需求量，$D_{ij}$为从起点$i$到终点$j$的交通需求总量，$C_{ij}$为从节点$i$到节点$j$的新建路段容量。

最后，通过求解以上数学模型，可以得到最优的新建路段方案，使得在新网络中任意5条路段出现突发事故时，网络中所有交通需求的期望可达率最大，且交通需求分配到对应的路径后，各路段上的交通量不能超过路段容量。

由于此问题涉及到网络最大流问题，可以使用Python中的NetworkX库来解决。具体步骤如下：

Step 1：导入所需的库
首先，需要导入NetworkX库来构建交通网络，导入copy库来复制数据，导入numpy库来处理数据，导入random库来生成随机数。

import networkx as nx
import copy
import numpy as np
import random

Step 2：构建交通网络
根据附件2和附件3中提供的数据，可以构建一个有向图，其中节点表示交通网络中的路口，边表示道路，边的权重表示道路的容量。同时，节点的属性中可以存储每个路口的可达率，边的属性中可以存储每条道路的交通量。

# 创建一个有向图
G = nx.DiGraph()

# 为图中的每个节点添加属性，属性值为可达率
for i in range(1, 41):
    G.add_node(i, probability=1.0)

# 为图中的每条边添加属性，属性值为道路容量
G.add_edge(1, 2, capacity=2)
G.add_edge(1, 3, capacity=5)
G.add_edge(2, 4, capacity=3)
G.add_edge(3, 4, capacity=3)
G.add_edge(2, 5, capacity=4)
G.add_edge(3, 6, capacity=2)
G.add_edge(4, 5, capacity=5)
G.add_edge(4, 6, capacity=6)
G.add_edge(5, 7, capacity=4)
G.add_edge(6, 7, capacity=3)
G.add_edge(5, 8, capacity=5)
G.add_edge(6, 9, capacity=4)
G.add_edge(7, 8, capacity=5)
G.add_edge(7, 9, capacity=3)
G.add_edge(8, 10, capacity=5)
G.add_edge(9, 10, capacity=4)
G.add_edge(8, 11, capacity=2)
G.add_edge(9, 12, capacity=3)
G.add_edge(10, 11, capacity=4)
G.add_edge(10, 12, capacity=4)
G.add_edge(11, 13, capacity=3)
G.add_edge(12, 13, capacity=2)
G.add_edge(11, 14, capacity=5)
G.add_edge(12, 15, capacity=3)
G.add_edge(13, 14, capacity=4)
G.add_edge(13, 15, capacity=2)
G.add_edge(14, 16, capacity=2)
G.add_edge(15, 16, capacity=3)
G.add_edge(14, 17, capacity=4)
G.add_edge(15, 18, capacity=3)

Step 3：计算每条道路的可达率
根据附件1中提供的数据，可以计算出每条道路的可达率，具体方法如下：

# 读取附件1中的数据
with open('附件1.txt', 'r') as f:
    data = f.readlines()

# 将数据转换为列表
data = [i.strip().split(',') for i in data]

# 计算每条道路的可达率
for i in range(len(data)):
    start, end, demand = data[i][0], data[i][1], int(data[i][2])

    # 获取从起点到终点的所有路径
    paths = list(nx.all_simple_paths(G, start, end, cutoff=5))

    # 计算所有路径的总长度
    total_length = sum([len(path)-1 for path in paths])

    # 根据路径长度和交通需求计算可达率
    for path in paths:
        length = len(path) - 1
        path_probability = demand * (length/total_length)

        # 将可达率分配给每条道路
        for j in range(length):
            G[path[j]][path[j+1]]['probability'] += path_probability

Step 4：构建新的交通网络
在新的交通网络中，需要包含原交通网络的所有节点和边，同时还需要添加6条新的路段，其中新路段的起点和终点可以随机生成。

# 复制原交通网络
G_new = copy.deepcopy(G)

# 设置新路段的起点和终点
start_nodes = [random.randint(1, 40) for i in range(6)]
end_nodes = [random.randint(1, 40) for i in range(6)]

# 添加新路段
for i in range(6):
    G_new.add_edge(start_nodes[i], end_nodes[i], capacity=100)

Step 5：计算新网络中任意5条路段出现突发事故时的可达率
首先，需要生成任意5条路段出现突发事故的情况，然后根据新的交通网络计算可达率。

# 生成任意5条路段出现突发事故的情况
accidents = []
for i in range(5):
    accidents.append(random.choice(list(G_new.edges())))

# 计算可达率
total_probability = 0
for i in range(len(data)):
    start, end, demand = data[i][0], data[i][1], int(data[i][2])

    # 获取从起点到终点的所有路径
    paths = list(nx.all_simple_paths(G_new, start, end, cutoff=5))

    # 计算所有路径的总长度
    total_length = sum([len(path)-1 for path in paths])

    # 根据路径长度和交通需求计算可达率
    for path in paths:
        length = len(path) - 1
        path_probability = demand * (length/total_length)

        # 如果路径中包含突发事故的路段，则可达率为0
        for accident in accidents:
            if accident in zip(path[:-1], path[1:]):
                path_probability = 0
                break

        # 将可达率累加到总可达率
        total_probability += path_probability

# 计算期望可达率
expected_probability = total_probability/len(data)

Step 6：构建新建路段方案
根据前面计算的期望可达率，可以构建新建路段方案。

# 创建一个列表来存储所有方案
solutions = []

# 设置方案数量
num_solutions = 5

更多内容具体可以看看我的下方名片！里面包含有华中杯一手资料与分析！
另外在赛中，我们也会陪大家一起解析华中杯的一些方向
关注 CS数模 团队，数模不迷路～