Dinic算法

相比于EK算法，Dinic算法在稀疏图上效率相当（可视n、m相近），而在稠密图上的处理更优秀。
对网络流基本思想不清楚可参见我的另一篇博客《网络流的核心思想》。

分层思想

Dinic算法在每次增广前，先用 BFS 来将图分层。设源点的层数为$0$，那么一个点的层数便是它离源点的最近距离。

通过分层，可起到如下两种效果：

1. 如果不存在到汇点的增广路（即汇点的层数不存在），我们即可停止增广。
2. 确保我们找到的增广路是最短的（每次找增广路的时候，都只找比当前点层数多$1$的点进行增广）。

两个优化

1. 多路增广：在使用EK算法时，由于我们使用BFS找增广路，当每次贪心取得一条增广路并增广后，我们从汇点沿着增广路往前走，很可能会遇见一些点实际经过的流量小于改点所有入度的容量和，或者说在残量网络中，改点的入度和初度均大于$0$，显然我们可以利用该点后向弧的残量向该点前向弧增广。上面的这一过程涉及到回溯的操作，BFS处理这一操作并不方便。而Dinic算法使用DFS找增广路，这就给了我们使用一次DFS找到多条增广路并增广的机会（见代码），大大提高了算法的效率。
2. 当前弧优化：显然，由于上述多路增广操作，对于任意节点，我们每增广它的一条前向弧，意味着这条弧后所有边都被我们多路增广过了，那么当我们再次处理该节点时，就可以不用考虑这条弧。或者说，如果一条边已经被增广过，那么它就没有可能被增广第二次。那么，我们下一次进行增广的时候，就可以不必再走那些已经被增广过的边。

时间复杂度

最多仅需$n-1$轮增广即可求得最大流，单轮增广的最坏复杂度是$O(nm)$，总的复杂度为$O(n^{2}m)$，但事实上对于随机图，Dinic的实际运行速度要远由于这一时间上界。

特别地，在求解二分图最大匹配问题时，Dinic 算法的时间复杂度是$O(m\sqrt{n}$