首先，我想澄清一下，我已经看到了这一点：Finding 'bottleneck edges' in a graph
这并不是一个重复，只是一个不幸的巧合，这个人错误地称最低限度为“瓶颈”。
瓶颈边缘是流网络中的边缘，在增加时会增加网络的最大流量。
所以这并不是最小切割，就像o-1-> o-1> o的图形一样，我们没有瓶颈边缘，但我们确实有最小切割。< / p>
（在该示例中，o是节点，边是 - * - ＆gt;，其中*是某个整数。）
无论如何，所以找到所有瓶颈显然可以在O（V + E）中完成，（假设图形以邻接列表表示形式给出）并且我认为这样做的方法是创建两个大小的数组V，我将其称为INCOMING和OUTGOING，然后两次遍历邻接列表的每个元素，第一次将INCOMING [i]增加到每个节点的边缘值，第二次增加OUTGOING [j]从每个节点出来的值，其中j是我们正在读取的邻接列表的节点，i是边缘在邻接列表中进入它的节点。
我认为这适用于O（V + E）时间，但我觉得我的解决方案肯定更复杂，难以解释。有没有更好的解决方案（不比O（V + E）好，但更简单？）
答案 0 :(得分：1)
对于此问题，您仍然可以使用Ford-Fulkerson算法。基本上，完成对图的迭代，直到获得最终的（断开连接）残差图为止。现在，将有一组从源S可以到达的节点。并且还将有一组从接收器T可以到达的节点。
将第一组节点连接到第二组节点的任何边缘将成为瓶颈边缘。
为什么这是正确的？试想一下，如果您增加了这些边之一的容量，那么您在第1步中获得的最终残差图将不再是最终残差图，并且福特-富克尔森算法还会有一个可能的迭代。
答案 1 :(得分：0)
此问题可以通过“中介中心性”解决。摘自Mark Needham和Amy E. Hodler的“图形算法”第5章：
“何时应使用中介中心性？ 中间性中间性适用于现实网络中的各种问题。我们使用它来查找瓶颈，控制点和漏洞。”
该算法计算通过每个节点的最短路径的数量。较高的中心性分配给具有大量最短路径的节点。它在Python软件包Networkx和Neo4J
中实现