1 条题解
-
0
更好的阅读体验:https://oi.baoshuo.ren/max-flow/
最大流问题是求解图上从源点流向汇点的最大流量的问题。
求解最大流问题主要有两种算法:Edmonds-Karp 动能算法(EK 算法)和 Dinic 算法,其中后者在算法竞赛中更为常用。
基本概念
流网络
流网络 (Flow Network) 是一个有向图,图中每条边 有一个非负的 容量值 。而且,如果边集合 包含一条边 ,则图中不存在反方向的边 。为了方便起见,如果 ,则定义 。
在流网络的所有节点中,有两个特殊的点:源点 和汇点 。
流
设 定义在二元组 上的实数函数且满足
- 容量限制(Capacity Constraints):对于每条边,流经该边的流量不得超过该边的容量,即 ;
- 流量守恒(Flow Conservation):从源点流出的流量等于汇点流入的流量,即 $\forall x \in V - \{s, t\}, \sum_{(u, x) \in E} f(u, x) = \sum_{(x, v) \in E} f(x, v)$;
那么 称为网络 的流函数。
对于 , 称为边的 流量, 称为边的 剩余容量(Residual Capacity),可以记作 。整个网络的流量为 ,即从源点发出的所有流量之和。为了方便起见,如果 ,则定义 。
一般而言也可以把网络流理解为整个图的流量。而这个流量必满足上述两个性质。
流函数的完整定义如下:
$$f(u, v) = \left\{ \begin{aligned} & f(u, v), & (u, v) \in E \\ & -f(v, u), & (v, u) \in E \\ & 0, & (u, v) \notin E, (v, u) \notin E \\ \end{aligned} \right. $$残量网络
对于流函数 ,残量网络 (Residual Network)是网络 中所有节点和剩余容量大于 的边构成的子图,即
$$G_f = (V_f = V, E_f = \left \{(u, v) \in E , c_f(u, v) > 0 \right\}) $$注意,剩余容量大于 的边可能不在原图 中(根据容量、剩余容量的定义以及流函数的斜对称性得到)。可以理解为,残量网络中包括了那些还剩了流量空间的边构成的图,也包括虚边(即反向边)。
增广路
在原图 中若存在一条从源点到汇点的路径上所有边的剩余容量都大于 ,则这条路径被称为增广路(Augmenting Path)。
Edmonds-Karp 算法
Edmonds-Karp 算法的基本思路很简单:不断地使用 BFS 去寻找增广路,直到网络上不存在增广路为止。
在每轮寻找增广路的过程中,Edmonds-Karp 算法只考虑所有 的边,用 BFS 找到任意一条从 到 的路径,同时计算出路径上各边的剩余容量的最小值 ,则网络的流量就可以增加 。
需要注意的是,当一条边的流量 时,根据斜对称性质,它的反向边流量 ,此时必定有 。故 Edmonds-Karp 算法在 BFS 时除了原图的边集 外,还应该考虑遍历 中每条边的反向边。
在实现时,只需要维护残量网络即可。当一条边 流过大小为 的流时,令 的剩余容量减小 , 的剩余流量增大 即可。
Edmonds-Karp 算法的时间复杂度为 。然而在实际运用中远远达不到这个上界,效率较高,可以处理 规模的网络。
来自 GitHub Copilot 的补全(未验证):然而在实际应用中,这个算法的时间复杂度可以降低到 ,因为在每轮 BFS 时,只需要更新 中的边的剩余容量,而不需要更新 中的节点。
代码
#include <cstring> #include <iostream> #include <limits> #include <queue> using std::cin; using std::cout; const char endl = '\n'; const int N = 1005, M = 10005; int n, m, s, t, ans; // Graph int idx, head[N], ver[M << 1], edge[M << 1], next[M << 1]; void add(int u, int v, int w) { next[idx] = head[u]; ver[idx] = v; edge[idx] = w; head[u] = idx++; } // Edmonds-Karp int d[N], pre[N]; bool vis[N]; bool bfs() { memset(vis, 0x00, sizeof(vis)); std::queue<int> q; q.push(s); vis[s] = true; d[s] = std::numeric_limits<int>::max(); while (!q.empty()) { int x = q.front(); q.pop(); for (int i = head[x]; ~i; i = next[i]) { if (edge[i]) { int y = ver[i]; if (vis[y]) continue; d[y] = std::min(d[x], edge[i]); pre[y] = i; // 记录前驱 q.push(y); vis[y] = true; if (y == t) return true; } } } return false; } void update() { // 更新增广路及其反向边的剩余容量 int x = t; while (x != s) { int i = pre[x]; edge[i] -= d[t]; edge[i ^ 1] += d[t]; x = ver[i ^ 1]; } ans += d[t]; } int main() { std::ios::sync_with_stdio(false); memset(head, 0xff, sizeof(head)); cin >> n >> m >> s >> t; for (int i = 1; i <= m; i++) { int u, v, w; cin >> u >> v >> w; add(u, v, w); add(v, u, 0); } while (bfs()) update(); cout << ans << endl; return 0; }
Dinic 算法
Edmonds-Karp 算法每轮可能会遍历整个残量网络,但只找出一条增广路,还有进一步优化的空间。
Dinic 算法不断重复以下步骤,直到在残量网络中 不能到达 :
- 在残量网络上 BFS 求出节点的层次,构造分层图。
- 在分层图上 DFS 求出增广路,在回溯时实时更新剩余容量。另外,每个点可以流向多条出边,同时还加入了若干剪枝(参考程序注释)。
Dinic 算法的时间复杂度为 。但在实际中远远达不到这个上界,一般能够处理 规模的网络,特别地,在求解稠密图上的最大流问题是效率要比前文提到的 Edmonds-Karp 算法更高。
Dinic 算法中的两个优化:
- 多路增广:每找到一条增广路时,若还有残余流量存在,那么可以再找出其他的增广路来利用这些残余流量。这样就可以在一次 DFS 中找出多条增广路,大大提高了算法的效率。
- 当前弧优化:如果一条边已经被增广过,那么该边就没有可能被增广第二次。那么,当下一次进行增广的时候,就可以不必再走那些已经被增广过的边。
代码
#include <cstring> #include <iostream> #include <queue> using std::cin; using std::cout; const char endl = '\n'; const int N = 205, M = 5005; int n, m, s, t, flow; long long ans; // Graph int idx, head[N], edge[M << 1], ver[M << 1], next[M << 1]; void add(int u, int v, int w) { next[idx] = head[u]; edge[idx] = w; ver[idx] = v; head[u] = idx++; } // Dinic int d[N], cur[N]; bool bfs() { memset(d, 0x00, sizeof(d)); std::queue<int> q; d[s] = 1; q.push(s); cur[s] = head[s]; while (!q.empty()) { int u = q.front(); q.pop(); for (int i = head[u]; ~i; i = next[i]) { int v = ver[i], w = edge[i]; if (w && !d[v]) { d[v] = d[u] + 1; cur[v] = head[v]; if (v == t) return true; q.push(v); } } } return false; } int dinic(int u, int limit) { if (u == t) return limit; int flow = 0; for (int i = cur[u]; ~i && flow < limit; i = next[i]) { cur[u] = i; // 当前弧优化 int v = ver[i], w = edge[i]; if (w && d[v] == d[u] + 1) { int k = dinic(v, std::min(edge[i], limit - flow)); if (!k) d[v] = 0; // 剪枝:去掉增广完毕的点 edge[i] -= k; edge[i ^ 1] += k; flow += k; } } return flow; } int main() { std::ios::sync_with_stdio(false); memset(head, 0xff, sizeof(head)); cin >> n >> m >> s >> t; for (int i = 1; i <= m; i++) { int u, v, w; cin >> u >> v >> w; add(u, v, w); add(v, u, 0); } while (bfs()) { while (flow = dinic(s, 0x3f3f3f3f)) ans += flow; } cout << ans << endl; return 0; }
参考资料
- 0x6A 网络流初步,《算法竞赛进阶指南》(ISBN 978-7-893-88198-5,河南电子音像出版社),李煜东,2019 年 5 月第 5 次修订版。
- 第 26 章 最大流,《算法导论》中译本(ISBN 978-7-111-40701-0,机械工业出版社),2013 年 1 月第三版。
- 1.1.1 网络流的基本概念,AcWing 算法进阶课,闫学灿,2020 年 7 月 25 日。
- 1.1.2 最大流,AcWing 算法进阶课,闫学灿,2020 年 7 月 31 日 ~ 2020 年 8 月 8 日。
- 网络流简介,图论,OI Wiki,2021 年 7 月 11 日。
- 1
信息
- ID
- 2312
- 时间
- 1000ms
- 内存
- 128MiB
- 难度
- 5
- 标签
- 递交数
- 61
- 已通过
- 21
- 上传者