网络流问题Flow Network以及Ford-Fulkerson算法

提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档

---

现实背景

人们经常使用图来建模交通网络——这些网络的边携带某种流量，其结点充当“交换机”传送不同边缘之间的流量。设想一个高速公路系统：边是公路，结点是交接处；或者设想计算机网络，这里的边是可以携带数据包的链路，而结点是交换机；再比如一个流体网络，其中的边是输送液体的管道，结点是管道的连接处。这种类型的网络模型有几个成分:①边的容量（说明它们最多能承载多少）;②源结点——产生流量；③终端结点，可以“吸收”流量；④最后是流量本身，它是通过边传输的。

---

一、问题引入

假设这是一个水流网络系统，想从s点将水输送到t点，有向边代表管道，其权值表示的含义是该管道的最大容量，水通过该管道的流量不能大于容量，否则管道会破裂，除了s和t以外结点称为中间结点，每一个中间结点都满足：流入该中间结点的流量等于流出的流量，中间结点只是转换的作用，没有存储的功能。问：从s到t能输送最多多少的水流量？

二、问题建模

1.Flow Networks

其流量就是一种抽象的实体：在源结点产生，通过边传输，并在终端结点被吸收，我们将这样一种Flow Networks建模为一个 有向图G=（V，E），具有如下特点：

1. 边e上的非负数值ce代表的是容量
2. V中只有一个源结点s
3. V中只有一个终端结点t
4. V中除了s和t的结点叫作中间结点。

我们对该Flow Networks进行了三点假设：

1. s没有入边，t没有出边
2. 每个结点都至少和一条边关联
3. 所有的容量值都用整数来表示

---

2.Defining Flow

定义s-t flow为函数f：把每条边e映射到一个正实数，f(e)的值表示的是e这条边上实际承载的流量。一个f flow必须满足以下两个特性：

1. 容量约束：对于E中的每一个e，有0<=f(e)<=ce
2. 平衡约束：对于所有的中间结点有
   
   前者代表所有进入结点v的流量，后者代表从v流出的所有流量

一条边上的流量不能超过其容量，一个flow f的值，表示为v(f)，其含义是在源结点产生的流量：

三、算法引入

1. Naive Algorithm

这个算法是初步的算法，并不一定能找到最大流，只能是大多数情况下可以找到最大流，但是这种方法很好理解，并且后面的更优的算法都是以此为基础进行优化的，所以我们先介绍这种算法。
在该算法中，我们需要定义一个Residual Graph（余量图）来表示每条管道还能承载的流量 可以用公式理解：

Residual = Capacity - Flow

每条管道上的红色权值代表流量，黑色代表容量

知道了这些概念后就可以操作该算法了。第一步，在原始图上随便用什么遍历方法找到一条从s到t的augmenting path（简单路径）就可以了，假设我们找到了：s->v2->v4->t 这条路径；然后根据短板原理可以知道我们能输送的最大流量是2，如果是3，就会有水管破裂。

所以这条路径的流量最大只能为2，这三条管道对应的余量应该都减去2，就可以画出当前状态下的余量图：

此时有两条边的余量为0，说明这两条管道已经饱和了，不能承受更多的睡了，于是把余量为0的边删除：

这样我们就完成了第一轮循环。接下来也是同样的操作，再找出一条从s到t的简单路径，设定最大流量，算出余量，删去饱和边，直到找不出一条从s到t的简单路径。第二轮循环：

第三轮循环：

第四轮循环已经找不出一条从s到t的路径了，于是算法终止，得到了最终的余量图，用原始图减去余量图就能得到流量图。

根据之前对问题建的模型，可以只看从s流出的流量和就知道了该图的实际流量是5。这个图的最大流量实际上就是5，但是如果选的路径不是上面这样的顺序，比如：一开始找的路径是这样的，确定流量值为3后，得到这样的余量图，并且删除饱和边

第三次循环已经找不到路径了，但是此时图的流量是4，并不是最大流量5。所以这个算法并不能总是找到最优解。

2. Ford-Fulkerson Algorithm

naive algorithm的问题在于一旦选择了bad path后，不能修正，就像上面描述的那样，选到了阻塞流后，就不能找到最大流了。用简单的示意图来表示：

红色的表示是max flow=2 , 紫色的表示block flow=1

我们现在要介绍的Ford-Fulkerson Algorithm 就是在此基础上优化的，假如选到了阻塞流，依然可以修正。我们依然按照之前用naive algorithm算法失败案例的选边顺序来运行Ford-Fulkerson Algorithm。Ford-Fulkerson Algorithm依然保留了原始图，余量图的概念。

这三步和之前的naive algorithm都是一样的，关键在于之后的这一步，就是删除了饱和边之后，Ford-Fulkerson Algorithm增加了一步回流法：画出该流量通路的逆流边，即从t到s的流向。并且这些回流边在下一轮选择路径试仍然可以被选中。


出现这种情况的时候，我们可以通过Merge（合并）操作处理。

第三轮循环就是到了刚才naive algorithm失败的那轮循环，如果没有这些回流边，该算法也会失败。正是有了这些回流边，因此我们才可以继续选择路径。

第三轮循环： 选中 s-> v2 -> v4 -> v1 -> v3 -> t, 并且确定这天路径的流量为1

移除饱和边后，并添加反向路径，然后Merge相应的边，得到了这样的余量图：

此时，找不到从s到t的路径了，于是算法终止。根据建模时的要求，我们可以从流入源结点的流量判定该图的最大流量为5。
因此，我们就用Ford-Fulkerson Algorithm对先前的失败案例进行修正，并得到了正确答案。

四、最坏情况时间复杂度

1. Worst-Case Iteration Complexity

该原始图的MaxFlow为200，很容易观察出来，但是如果用Ford-Fulkerson Algorithm算法，可能会非常慢。 假设一开始选的路径是 s->v1->v2->t，确定流量值为1，然后删除饱和边，画出回流边，得到的余量图是右边的:


Proof:
由于容量的限制，我们知道在图G没有流量值可以超过MaxFlow，并且每一轮循环中，流量值至少增加1，value从0开始增长并且不超过MaxFlow。
每轮循环至少会让Flow Network 的流量增加1，∴ Iterations<= Amount of MaxFlow。
在这个例子中，每一轮循环仅增加1流量，所以，在最坏情况下
Iterations = Amount of MaxFlow

2. Worst-Case Time Complexity

Proof:
假设有向图G中有m条边，n个结点，并且所有的结点都至少有一条相邻边，
∴m >= n/2. ∴我们可以用O(m+n)=O(m)来简化界限值。
由上面的证明可以知道算法最多循环MaxFlow次，该算法还会产生回流边，
∴余量图中最多有2m条边，即：每条边都有一条回流边。
找到一条从源结点到终端结点的路径，我们可以用广度优先算法或者深度优先算法，时间复杂度为O(m+n)=O(m)；假设该网络流的MaxFlow为f，

∴ the Worst-case Time Complexity is O(f*m)

五、Edmonds-Karp Algorithm

我们再对Ford-Fulkerson Algorithm的过程总结一下：

1. 根据原始图建立余量图，并初始化边的余量
2. 如果能找到从源点到结点的简单路径，则进入循环：
   a. 在余量图上寻找一条简单路径
   b. 根据短板原理，确定该路径上的瓶颈值x
   c. 更新余量图：更新边的余量并删除饱和边
   d. 增加回流边

时间复杂度：O(f*m) f是MaxFlow m代表边的数量

该算法的缺陷在于：其时间复杂度依赖于最大流量，∴说明Ford-Fulkerson Algorithm可能会很慢，因为现实中的MaxFlow会很大。
在此基础上，就有了Edmonds-Karp Algorithm，该算法不是一种新的算法，它只是Ford-Fulkerson Algorithm的一种特例。它们唯一的区别就在于2-a步：

Edmonds-Karp Algorithm是在余量图上找源点到终点的最短路径

即：将余量图看成无权图，或者说将每条边的权值看为1，寻找无权图中的最短路径。也就是说，在每一轮循环中，依然是O(m)的时间寻找最短路径，该算法证明了循环次数最多为m*n次，m是边的数量，n是结点数量，∴该算法不再依赖于MaxFlow，性能因此才提升了很多。