网络优化2|最小生成树|Kruskal|Prim|Matlab

最小生成树问题

树

连通图$G=(V,E)$，若G中不含任何回路，则称G为树。
$|V|=1$时称之为平凡树

生成树

$G=(V,E)$，若G的一个生成子图是一棵树，则称之为G的一棵生成树，或者支撑树

定理

任何连通图至少有一棵生成树

最小生成树

无向图G的所有生成树中，边的权值总和最小的称为G的最小生成树，或最短树

性质

假设一个图中存在最小生成树，并且该图具有n个节点，m条边，则该图的最小生成树一定含有n个节点，并且具有n-1条边

最小生成树构造方法

1. Kruskal算法
   每次选择一条最小且不会构成回路权边直至构成一个生成树
2. Prim算法
   从一个结点的子图开始构造生成树：
   选择连接当前子图和子图外结点的最小权边，将相应结点和边加入子图，直至将所有结点加入子图。

构造最小生成树Kruskal算法

Kruskal算法基本思想

1. 按所有边权值排序，升序（从小到大）
2. 按排好序的边集合，选择一条边加入生成树
   贪心准则：不会产生环路
   按耗费递增顺序考察每条边

• 若产生环路，丢弃
• 否则，加入

Kruskal算法示例

$$B=\left(\begin{array}{ccccccccccccccc}1& & 1& & 2& & 2& & 3& & 4& & 4& & 5\\ 2& & 3& & 3& & 4& & 5& & 5& & 6& & 6\\ 1& & 2& & 3& & 5& & 4& & 3& & 2& & 1\end{array}\right)$$
按权值排序
$$B^{\prime }=\left(\begin{array}{ccccccccccccccc}1& & 5& & 1& & 4& & 2& & 4& & 3& & 2\\ 2& & 6& & 3& & 6& & 3& & 5& & 5& & 4\\ 1& & 1& & 2& & 2& & 3& & 3& & 4& & 5\end{array}\right)$$
加入第一条边

加入第二条边

第三条边

加入46

不能加入23，和45会形成回路

加入35

Kruskal算法的Matlab实现

s = [1 1 2 2 3 4 4 5]; 
t = [2 3 3 4 5 5 6 6];
weights = [1 2 3 5 4 3 2 1]; 
G = graph(s, t, weights);
p = plot(G, 'EdgeLabel', G.Edges.Weight);
[T, pred] = minspantree(G); 
highlight(p,T)

构造最小生成树Prim算法

贪心准则

• 加入后仍形成树，且耗费最小
• 始终保持树的结构一一Kruskal算法是森林
  算法过程

1. 从单一顶点的树T开始
2. 不断加入耗费最小的边$(u,v)$，使 T ∪ { ( u , v ) } T\cup \left\{ (u,v) \right\} T∪{(u,v)}仍为树
3. $u,v$中有一个已经在T中，另一个不在T中

Prim算法示例过程

$$W=\left(\begin{array}{ccccccccccc}0& & 1& & 2& & \infty & & \infty & & \infty \\ 1& & 0& & 3& & 5& & \infty & & \infty \\ 2& & 3& & 0& & \infty & & 4& & \infty \\ \infty & & 5& & \infty & & 0& & 3& & 2\\ \infty & & \infty & & 4& & 3& & 0& & 1\\ \infty & & \infty & & \infty & & 2& & 1& & 0\end{array}\right)$$
从v1开始，v2和v3选，选择权值小的那一条边，连接v1v2

从相邻的边开始选，v1v3，v2v3，v2v4中选，选择权值最小的边v1v3

从v2v4和v3v5选择权值小的边，v3v5

再选择v5v6

选择v6v4

Kruskal算法和Prim算法比较

m是边数，n是顶点

最小生成树的应用

制造系统的分组技术

设用$M_i$表示需由机器$i$加工的零件集，对任意两台机器$i,j$，定义相异度
$$w(i,j)=\frac{|M_i\oplus M_j|}{M_i\cup M_j}$$

$\oplus$，对称差
分子：在机器i但不在机器j上加工，或在机器j但不在机器i上加工的零件数
分母：或在机器i，或在机器j上加工的零件数
显然$0\le w\le 1$

构造加权图

以机器为顶点，作一个完全图，每条边$(i,j)$被赋予权$w(i,j)$。

原问题的转化

加权图的最小生成树是由那些相异度最小的边构成的连通图，如果希望把机器分成k个组，就继续删去最小生成树上权最大的k-1条边。于是得到k个分离的子树，每棵树的顶点集就构成各机器组。

对表1给出的数据，加权完全图的边权矩阵如下：

[1 1 1 1 1 1 1 1 2 2 2 2 2 2 2 3 3 3 3 3 3 4 4 4 4 4 5 5 5 5 6 6 6 7 7 8; 
2 3 4 5 6 7 8 9 3 4 5 6 7 8 9 4 5 6 7 8 9 5 6 7 8 9 6 7 8 9 7 8 9 8 9 9;
0.5 1 0.89 0.14 1 1 1 1 1 1 0.6 2 1 1 1 1 1 1 1 1 1 0.5 0.87 0.67 0.75 0.75 1 1 1 1 1 1 1 1 0 1 1]

第一行表示每条边的起点，第二行表示每条边的终点，第三行对应每条边的相异度例如第一列1 2 0.5，就表示边12的相异度为0.5，下面我们简单说明一下计算过程：
第1台机器能加工的零件为2, 3, 7, 8, 9, 12, 13
第2台机器能加工的零件为2, 7, 8, 11, 12
两者的并集为2, 3, 7, 8, 9, 11, 12, 13，
两者的交集为2，7，8，12，
则对称差为3, 9, 11, 13，
因此边12的相异度$w(1,2)=$对称差元素个数/并集元素个数=4/8=0.5

sj=[1 1 1 1 1 1  1 1 2 2 2 2 2 2 2 3 3 3 3 3 3 4 4 4 4 4 5 5 5 5 6 6 6 7 7 8; 
2 3 4 5 6 7 8 9 3 4 5 6 7 8 9 4 5 6 7 8 9 5  6 7 8 9 6 7 8 9 7 8 9 8 9 9;
0.5 1 0.89 0.14 1 1 1 1 1 1 0.62 1 1 1 1 1  1 1 1 1 0.5 0.87 0.67 0.75 0.75 1 1 1  1 1 1 1 1 0 1 1];
s = sj(1,:); 
t = sj(2,:);
weights = sj(3,:);
G = graph(s, t, weights);
[T, pred] = minspantree(G);
subplot(1, 2, 1);
plot(G, 'EdgeLabel', G.Edges.Weight); 
subplot(1, 2, 2);
plot(T, 'EdgeLabel', T.Edges.Weight);

要分为三组，去掉两条最大的边
去掉1和0.87

机器的分组
3，9
1，2，5
4，6，7，8

机器分组的目的是减少零件跨组加工的情况
相异度 = 1，表示两个机器加工的零件是完全不同的，因此不会出现跨机器加工的情况，这两台机器可以分到不同的组。
相异度w = 0，表示两台机器加工零件完全相同，因此应该分到一个组里才能保证不会出现跨组加工现象。
相异度w越小，二者在一组里的可能性越大，因此可以达到我们对机器分组的目的。