km算法学习小记

这个算法其实在学匈牙利算法时就看过了，不过当时没搞懂？？？
现在一看，其实还挺好理解的。

应用

km算法是求最大权完备匹配，事实上它同时能处理最小权完备匹配(把边权取反)和非完备匹配(添加原本不存在的边且边权赋值为0)，另外还在一位神犇的博客里了解到，如果我想要边权之积最大，则每条边权取自然对数，然后求最大和权匹配，求得的结果a再算出e^a就是最大积匹配。至于精度问题则。。。不知所措。

正确性

KM算法是通过给每个顶点一个标号（叫做顶标）来把求最大权匹配的问题转化为求完备匹配的问题的。设顶点Xi的顶标为A[i]，顶点Yi的顶标为B[i]，顶点Xi与Yj之间的边权为w[i,j]。在算法执行过程中的任一时刻，对于任一条边(i,j)，A[i]+B[j]>=w[i,j]始终成立，初始A[i]为与xi相连的边的最大边权，B[j]=0。KM算法的正确性基于以下定理：
设 G(V,E) 为二部图， G’(V,E’) 为二部图的子图。如果对于 G’ 中的任何边[x,y]满足， A(x)+ B(y)== Wx,y，我们称 G’(V,E’) 为 G(V,E) 的等价子图或相等子图（是G的生成子图）。
若由二分图中所有满足A[i]+B[j]=w[i,j]的边(i,j)构成的子图（称做相等子图）有完备匹配，那么这个完备匹配就是二分图的最大权匹配。
因为对于二分图的任意一个匹配，如果它包含于相等子图，那么它的边权和等于所有顶点的顶标和；如果它有的边不包含于相等子图，那么它的边权和小于所有顶点的顶标和（即不是最优匹配）。所以相等子图的完备匹配一定是二分图的最大权匹配。
初始时为了使A[ i ]+B[j]>=w[i,j]恒成立，令A[ i ]为所有与顶点Xi关联的边的最大权，B[j]=0。如果当前的相等子图没有完备匹配，就按下面的方法修改顶标以使扩大相等子图，直到相等子图具有完备匹配为止。

**

若求当前相等子图的完全匹配失败了，则必须修改顶标。而此时我们会得到一棵交错树。现在我们把交错树中X顶点的顶标全都减小某个值d，Y顶点的顶标全都增加同一个值d，显然相等子图只有可能被扩大。
而一次修改，至少有一条边进入相等子图，d应该等于：
Min{A[ Xi ]+B[Yj]-w[Xi,Yj] | Xi在交错树中，Yj不在交错树中}。
朴素的做法是O(n^4),主要因为枚举d的复杂度很大，为O(n^2)。
若我们给每个Y顶点一个“松弛量”函数slack，每次开始找增广路时初始化为无穷大。在寻找增广路的过程中，检查边(i,j)时，如果它不在相等子图中，则让slack[j]变成原值与A[ i ]+B[j]-w[i,j]的较小值。这样，在修改顶标时，取所有不在交错树中的Y顶点的slack值中的最小值作为d值即可。但还要注意一点：修改顶标后，要把所有的不在交错树中的Y顶点的slack值都减去d。这样就能做到O(n)找到d，使时间复杂度降到O(n^3)

小结

km算法虽然应用比费用流小，但是编程复杂度低，也便于理解，而且也能为学习费用流做基础，个人感觉还是很有必要学会km算法的。