《胡伯涛: 最小割模型在信息学竞赛中的应用》摘录: 分数规划、最大密度子图改进解法、覆盖集与独立集互补定理、割的性质与技巧

分数规划：

---

最大密度子图：

（注：原论文中的式子有一点小问题，故手动补充：）

由于原问题要求最大化，应该先转化为最小化（乘上 −1）：
$$\begin{array}{rl}\text{Maximize}|E^{\prime }|-g|V^{\prime }|& =\sum _{e\in E^{\prime }}1-\sum _{v\in V^{\prime }}g\\ \text{Minimize}g|V^{\prime }|-|E^{\prime }|& =\sum _{v\in V^{\prime }}g-\sum _{e\in E^{\prime }}1\\ & =\sum _{v\in V^{\prime }}g-\sum _{v\in V^{\prime }}\frac{d_v-c[V^{\prime },\overline{V^{\prime }}]}{2}\end{array}$$
其中$d_u$表示$u$的度数，$c[V^{\prime },\overline{V^{\prime }}]$表示点集$V^{\prime }$和$V^{\prime }$的补集的割。
为了让式子看起来更整洁，将上面的式子乘以2，得到：$$\sum _{v\in V^{\prime }}(2g-d_v)+c[V^{\prime },\overline{V^{\prime }}]$$

该模型可以拓展到点边均带权的情况，只需要将度数改为连接的边权和，并加上点权即可，推导过程类似。

利用该模型可以解决[NOI2006]最大获利问题，相较于用闭合子图的解法，该算法达到了用最小割解决该题的一个下界。

---

覆盖集与独立集互补定理：

---

割的性质与技巧：