我们根据一些论文中提到的示例，使用最大流最小割定理将流量拥塞降至最低， 并应用了最短路径分析了交通瓶颈。
我们可以在下面看到
map=openp(map) plot(map)
要提取有关边缘容量的信息，在该网络上使用以下代码，该代码将从论文中提取三个表
extract_tab(location)
在Windows中，要先下载另一个软件包
library(devtools) extract_tab(locatio
现在我们可以得出具有容量的数据框
B1=as.data.frame(out[[2]]) B2=as.data.frame(out[[3 capacity=as.character(B2$V3[-1]) capacity[6]="843" ic(capacity)
我们可以在地图上添加这些边
plot(map) points(t(m[3:2,]),col="black", pch=1 for(i in 1:nrow(E)){ i1=which(B$i==as.character(E$from ])) segments(B[i1,"x"],B[i1,"y"],B[i2, text(t(m[3:2,]),c("s",1:10,"t"),col="white")
要获得具有容量的图形，可以使用另一种方法
g=graph_from_data_frame(E) E(g)$label=E$capacity plot(g)
但是它不考虑节点的地理位置。可以使用
plot(g, layout=as.matrix(B[,c("x","y")]))
为了更好地了解道路通行能力，使用
plot(g, layout=as.matrix(B[,c("x","y")]), edge.width=E$capacity/200)
通过具有容量的网络，目标是确定该网络上从源到宿的最大流量。可以使用R
$value [1] 2571 $flow [1] 10 142 130 23 0 2
我们的最大流量为2571，这与两篇论文中的最大流量最小割定理以及 最短路径的应用中都实际要求的不同 ，因为表格和图表上的值不同。
E$flux1=m$flow plot(g, layout=as.matrix(B[,c("x","y")]),
考虑采用更简单的流程，但是相同的全局值
E(g)$label=E$flux2 plot(g, layout=as.matrix(B[,c("x","y")]), edge.width=E$flux2/200)
实际上，有可能在同一城市的另一篇论文中做同样的事情，这是道路网络的交通拥堵问题。
dim(out[[3]]) B1=a ame(from=B1[2:61,"V2"], to=B1[2:6 as.numeric( as.characte data_frame(E) m=max_flow(graph=g, source="S", E$flux1=m$flow E(g)$label=E edge.width=E$flux1/200, edge.arrow.size=0.15)
此处的最大流量值为4017，就像原始论文中发现的那样
