KM算法的一点总结

之前做毕设的时间用到图匹配算法，其中有一步是用Kuhn-Munkres算法求解二分图的匹配问题，KM算法也被称为二分图最大权匹配算法，它的核心思想简单来说就是给你两个点集（这样叫可能不准确，是一个二分图），将两个集合中的点进行“配对”，不断修改配对顺序，直到找到二分图的最大匹配（可以简单理解为一种最优的配对结果，可以通过匈牙利算法求解），当为不同的配对方式赋予一个权值时，就变成了二分图的最大权匹配问题，就是KM算法要解决的问题。我觉得KM算法就是在匈牙利算法的基础上加入了权值。

KM算法可以用来进行图匹配、航迹关联、任务分配等问题。

首先说明KM算法的基本流程如下：

1) 设定可行标号的初值；
2) 基于匈牙利算法求解二分图的完备匹配；
3) 找不到完备匹配时修改可行标号；
4) 重复2）3）步骤，一直到找出完备匹配。

根据KM算法流程说明几个概念：

二分图:二分图是一种图论模型。对于一幅图g(V,E)，V表示为图g中点的集合，E表示图g中边的集合。假设所有的顶点能够分为两个集合R和S，这两个集合之间不存在重复的点，对于g中的任意一条边的两个顶点均分别属于集合R和S，那么g就是一个二分图。

二分图匹配：假设P是g中边集合E的子集，如果P中任意两条边均没有连接而且没有形成环路，那么P就称为二分图g的一个匹配。在图g中含有的边数最多的一个匹配叫做最大匹配，如果在各条边上加上权重w，则图g中权重总和最大的匹配称为最大权匹配，最小的匹配称为最小权匹配。

完备匹配：如果一个匹配中，图中的每一个顶点都和图中某条边相关联，则称此匹配为完全匹配，完全匹配也称作完备匹配

增广路径：若P是图g中一条连通两个未匹配顶点的路径，并且已匹配和待匹配的边在P上交替出现，则称P为一条增广路径。算法的重点是找到最大的增广路径。增广路径有以下特点：

• 有奇数条边 
• 起点在二分图的R边，终点在二分图的S边 
•  路径上的点一定是一个在R边，一个在S边，交错出现。 
• 整条路径上没有重复的点 
• 起点和终点都是目前还没有配对的点，其他的点都已经出现在匹配子图中 
• 路径上的所有第奇数条边都是还没有进入目前匹配子图的边，而所有第偶数条边都已经进入目前匹配子图。奇数边比偶数边多一条 
• 把所有第奇数条边都加到匹配子图中，把偶数条边都删除，匹配数增加了1

匈牙利算法：用于寻找二分图的最大匹配。算法根据一定的规则选择二分图的边加入匹配子图中，其基本模式为： 
1）  初始化匹配子图为空 
2）  While 找得到增广路径 

3）  Do 把增广路径添加到匹配子图中 

可行标号：R 和 S 中的每个点都设置有一个标号，记 lr[i] 为R方点 i 的标号，ls[j]为S方点 j 的标号。如果对于图中的任意(i, j, W)都有lr[i]+ls[j]>=W，（其中W表示关联权重）则这一组点标是可行的。特别地，对于lr[i]+ls[j]=W的边(i, j, W)，称为可行边； L(r)+ L(s)== Wr,s，称为等价子图

修改可行标号的规则：

1）点i 和 j都在增广轨中：此时边 (i, j) 的 (lr[i]+ls[j]) 值不变，也就是这条边的可行性不变（原来是可行边则现在仍是，原来不是则现在仍不是）；

2) 点 i 在增广轨中而 j 不在：此时边 (i, j) 的(lr[i]+ls[j])的值减少了d，也就是原来这条边不是可行边（否则j就会被遍历到了），而现在可能是；

3) 点 j 在增广轨中而i不在：此时边(i, j)的(lr[i]+ls[j])的值增加了d，也就是原来这条边不是可行边（若这条边是可行边，则在遍历到j时会紧接着执行DFS(i)，此时i就会被遍历到），现在仍不是；

4) 点 i 和 j 都不在增广轨中：此时边(i, j)的(lr[i]+ls[j])值不变，也就是这条边的可行性不变。取所有第2）类边的 (lr[i]+ls[j]-W)的最小值作为d值

KM算法主要解决二分图的带权匹配问题，可以用来进行两个点集的最优匹配，最关键是设置权重矩阵C，将权重矩阵代入算法就能输出两个点集具体的点配对关系。

Reference：

1、http://philoscience.iteye.com/blog/1754498

2、https://blog.csdn.net/denghecsdn/article/details/77619308