二分图之匈牙利算法

【书本上的算法往往讲得非常复杂，我和我的朋友计划用一些简单通俗的例子来描述算法的流程】

匈牙利算法是由匈牙利数学家Edmonds于1965年提出，因而得名。匈牙利算法是基于Hall定理中充分性证明的思想，它是部图匹配最常见的算法，该算法的核心就是寻找增广路径，它是一种用增广路径求二分图最大匹配的算法。

-------等等，看得头大？那么请看下面的版本：

通过数代人的努力，你终于赶上了剩男剩女的大潮，假设你是一位光荣的新世纪媒人，在你的手上有N个剩男，M个剩女，每个人都可能对多名异性有好感（-_-||暂时不考虑特殊的性取向），如果一对男女互有好感，那么你就可以把这一对撮合在一起，现在让我们无视掉所有的单相思（好忧伤的感觉），你拥有的大概就是下面这样一张关系图，每一条连线都表示互有好感。

本着救人一命，胜造七级浮屠的原则，你想要尽可能地撮合更多的情侣，匈牙利算法的工作模式会教你这样做：

===============================================================================

一： 先试着给1号男生找妹子，发现第一个和他相连的1号女生还名花无主，got it，连上一条蓝线

===============================================================================

二：接着给2号男生找妹子，发现第一个和他相连的2号女生名花无主，got it

===============================================================================

三：接下来是3号男生，很遗憾1号女生已经有主了，怎么办呢？

我们试着给之前1号女生匹配的男生（也就是1号男生）另外分配一个妹子。

(黄色表示这条边被临时拆掉)

与1号男生相连的第二个女生是2号女生，但是2号女生也有主了，怎么办呢？我们再试着给2号女生的原配()重新找个妹子(注意这个步骤和上面是一样的，这是一个递归的过程)

此时发现2号男生还能找到3号女生，那么之前的问题迎刃而解了，回溯回去

2号男生可以找3号妹子~~~          1号男生可以找2号妹子了~~~      3号男生可以找1号妹子

所以第三步最后的结果就是：

===============================================================================

四： 接下来是4号男生，很遗憾，按照第三步的节奏我们没法给4号男生腾出来一个妹子，我们实在是无能为力了……香吉士同学走好。

===============================================================================

这就是匈牙利算法的流程，其中找妹子是个递归的过程，最最关键的字就是“腾”字

其原则大概是：有机会上，没机会创造机会也要上

【code】

    bool find(int x){  
        int i,j;  
        for (j=1;j<=m;j++){    //扫描每个妹子  
            if (line[x][j]==true && used[j]==false)        
            //如果有暧昧并且还没有标记过(这里标记的意思是这次查找曾试图改变过该妹子的归属问题，但是没有成功，所以就不用瞎费工夫了）  
            {  
                used[j]=1;  
                if (girl[j]==0 || find(girl[j])) {   
                    //名花无主或者能腾出个位置来，这里使用递归  
                    girl[j]=x;  
                    return true;  
                }  
            }  
        }  
        return false;  
    }  

bool find(int x){
	int i,j;
	for (j=1;j<=m;j++){    //扫描每个妹子
		if (line[x][j]==true && used[j]==false)      
		//如果有暧昧并且还没有标记过(这里标记的意思是这次查找曾试图改变过该妹子的归属问题，但是没有成功，所以就不用瞎费工夫了）
		{
			used[j]=1;
			if (girl[j]==0 || find(girl[j])) { 
				//名花无主或者能腾出个位置来，这里使用递归
				girl[j]=x;
				return true;
			}
		}
	}
	return false;
}

在主程序我们这样做：每一步相当于我们上面描述的一二三四中的一步

    for (i=1;i<=n;i++)  
    {  
        memset(used,0,sizeof(used));    //这个在每一步中清空  
        if find(i) all+=1;  
    }  

所谓最大匹配，就是撮合最多对
完美匹配就是所有的人都不落单
我们把上图已经匹配的点叫做匹配点，没匹配的点叫未匹配点。蓝线叫做匹配边，其余叫做非匹配边

交替路：图中的一条路径，交替经过匹配边，非匹配边，则称为该路径为交替路。

增广路：从一个未匹配点出发，走交替路，如果到达另一个未匹配点，则这条交替路称为增广路。

增广路一定有奇数条边，而且非匹配边比匹配边多一条。（动手画一下很容易得知，如下图左边是一个匹配 路径5->d->1->b就是

一条增广路

      

for (i=1;i<=n;i++)
{
	memset(used,0,sizeof(used));    //这个在每一步中清空
	if find(i) all+=1;
}

那么对于一个匹配，如果我们能够找到一条增广路，然后把匹配边变成非匹配边，非匹配边变成匹配边，就一定可以多出一个匹配。

于是找最大匹配的过程就变成了找增广路，当找不到增广路的时候，该匹配就是一个最大匹配。（即匈牙利算法，证明略。）

一个简单的DFS版的模板（详细注释），用vector存边。时间复杂度O(NE)

const int N = 505;
 
vector<int> G[N];   // vector存图
int n, m;
int match[N];       // 记录每个点匹配的对象 没匹配的为-1
bool used[N];       // 保证每一次找增广路的时候每个点仅搜索一次
 
bool findPath(int u)
{   // 从u点开始走交替路径 直到找到一个未匹配点
    for (unsigned i = 0; i < G[u].size(); ++i) {
        int v = G[u][i];
        if (!used[v]) { // 和该点连接且没有被搜索过的点
            used[v] = true;
            // 该点是未匹配点  或者 走过一条匹配边然后能找到未匹配点
            // 这里 设c=match[v] 既然c与match匹配了 那么c再走到其他任何一点经过的边都是非匹配边 也就实现了走交替路
            if (match[v] == -1 || findPath(match[v])) {
                // 找到一条增广路 把新匹配的点连起来
                match[v] = u;
                match[u] = v;
                return true;
            }
        }
    }
    return false;
}
 
int maxMatch()
{
    int ans = 0;
    memset(match, -1, sizeof match);
    for (int i = 0; i < n; ++i) {   // 这里 二分图有两部分点 只需要搜索其中一部分就可以
            memset(used, false, sizeof used);
            used[i] = true;
            if (findPath(i)) ++ans; // 找到一条增广路 即多了一个匹配
    }
    return ans;
}

这里使用vector存的边，有些题解用矩阵存边G[a][b]表示X集合a点到Y集合b点的连线。a，b都是从1开始的。这里是不同的，因为用了同一个used和match来保存结果，所有的点都没有重复。

 

最大匹配的一些相关性质：

（1）二分图的最小顶点覆盖：用最少的点，让每条边都至少和其中一个点关联

                                                 (使这些点和所有的边都有关联，把所有的边的覆盖）
     最大匹配数 = 最小点覆盖数（Konig 定理）

（2）二分图的最大独立点集：在图中选取最多的点，使任意所选两点均不相连

                                                (在一个二分图中,选择一些顶点,使得所选择的点集中任意两个顶点之间没有边相连)
     最大独立数 =  顶点数 — 最大匹配数

（3）最小路径覆盖数：对于一个 DAG（有向无环图），选取最少条路径，使得每个顶点属于且仅属于一条路径。路径长可以为 0，即单个点。(路径覆盖就是在图中找一些路经，使之覆盖了图中的所有顶点，且任何一个顶点有且只有一条路径与之关联，如果把这些路径中的每条路径从它的起始点走到它的终点，   那么恰好可以经过图中的每个顶点一次且仅一次)
       最小路径覆盖数 = 顶点数 - 最大匹配数