### 构建铁路与公路连接的交通网络模型 为了创建一个包含300个节点的铁路干线两端公路网络模型，可以采用图论的方法来表示这个复杂的系统。在这个场景下，每个节点既可以代表火车站也可以代表公路上的关键位置（如交叉路口），而边则用来描述这些地点间的连通情况以及相应的成本（比如时间和距离）。下面是一个具体的实现方案。 #### 使用NetworkX库建立基础框架 Python中的`networkx`库非常适合于此类任务，因为它提供了简单易用的功能去定义和操作图形结构的数据集。首先安装该软件包： ```bash pip install networkx matplotlib ``` 接着利用如下代码片段初始化并绘制一张拥有指定数量顶点的人工生成随机图作为模拟环境的基础架构[^1]。 ```python import random import networkx as nx import matplotlib.pyplot as plt def create_transportation_network(node_count=300, rail_ratio=0.2): G = nx.Graph() # 添加所有节点 for i in range(1, node_count + 1): G.add_node(i) # 定义哪些比例的节点属于铁道部分 railway_nodes = set(random.sample(list(G.nodes), int(rail_ratio * node_count))) # 创建边：这里假设每两个相邻编号之间存在一条路；对于铁路站点，则额外增加几条长程链接形成干线路网 prev_railway_node = None for n in sorted(G.nodes()): if n != 1: weight = round(abs(n - (n-1)) ** 0.7 + random.uniform(-0.5, 0.5), 2) # 非线性的权重分配给路段 G.add_edge(n, n-1, weight=weight) if n in railway_nodes: if prev_railway_node is not None and random.random() < 0.8: long_distance_weight = round((abs(prev_railway_node - n)**0.9)*random.uniform(0.8, 1.2), 2) G.add_edge(prev_railway_node, n, weight=long_distance_weight) prev_railway_node = n pos = {node:(node%int(node_count**0.5), node//int(node_count**0.5)) for node in G.nodes()} # 基础布局 colors = ['red' if node in railway_nodes else 'blue' for node in G.nodes()] fig, ax = plt.subplots(figsize=(10, 10)) nx.draw(G, pos=pos, with_labels=True, edge_color='gray', width=[G[u][v]['weight']/10 for u,v in G.edges()], node_size=50, font_size=8, node_color=colors, alpha=0.7) sm = plt.cm.ScalarMappable(cmap=plt.get_cmap('coolwarm'), norm=plt.Normalize(vmin=min([d['weight'] for _,_,d in G.edges(data=True)]), vmax=max([d['weight'] for _,_,d in G.edges(data=True)]))) cbar = plt.colorbar(sm, orientation="vertical", label="Edge Weights") plt.title(f'Transport Network Model ({len(railway_nodes)} Railway Nodes)') plt.show() create_transportation_network() ``` 这段脚本会生成一幅可视化图表展示由红色标记出来的铁路站台组成的主干道体系及其周边蓝色标注的城市道路网格状分布状况。同时，在边上附带显示了不同路径所对应的预估耗时或里程数等信息以便直观理解整个运输系统的运作模式[^2]。