网络流相关小结

之前网络流都是背板子和结论的，现在试图严谨地写一篇关于网络流的笔记。

网络流东西很多，一下子肯定总结不完，所以咕计是个咕咕项目。

一、最大流

简介和引入

• 定义 1.1（网络）：网络是一张简单有向图 $G=(V,E)$，满足对于任意 $u,v\in V$ 有 $(u,v),(v,u)$ 至多一者属于 $E$。有两个点 $s,t\in V$，它们分别被称作源点和汇点，满足 $s$ 没有入边，$t$ 没有出边。有容量函数 $c:V\times V\to \mathbb{R}$，满足 $c(u,v)$ 非负，且对于任意 $(u,v)\notin E$ 有 $c(u,v)=0$。

为了方便，我们接下来的讨论都在某个网络 $G$ 上进行。记 $n=|V|,m=|E|$。

• 定义 1.2（流函数）：称函数 $f:V\times V\to \mathbb{R}$ 为网络 $G$ 的流函数，当且仅当它满足：

  • 对于任意 $u,v\in V$，有 $f(u,v)\le c(u,v)$。
  • 对于任意 $u,v\in V$，有 $f(v,u)=-f(u,v)$。
  • 对于任意 u ∈ V ∖ { s , t } u\in V\setminus\{s,t\} u∈V∖{s,t}，有 ${\sum }_{v}f(u,v)=0$。

  定义流的大小为 $|f|={\sum }_{v}f(s,v)$。称使得 $|f|$ 最大的 $f$ 为最大流。

依据这三条，经过代数推导可以证明出其他一些关于流函数的直观性质：

• 引理 1.3：下述若干性质成立。
  1. ${\sum }_u{\sum }_{v}f(u,v)=0$。
  2. ${\sum }_{v}f(s,v)={\sum }_{v}f(v,t)$。
  3. 对于任意 $(u,v)\in E$，有 $0\le f(u,v)\le c(u,v)$；对于任意 $(u,v)\notin E$ 且 $(v,u)\notin E$，有 $f(u,v)=0$。

求最大流的主体思想是增广。我们先介绍增广的定义。

• 定义 1.4（残量网络）：定义残量函数 $r(u,v)=c(u,v)-f(u,v)$。

  定义残量网络为图 $G_f=(V_f,E_f)$，其中 $V_f=V$，$E_f=\{(u,v):u\in V,v\in V,r(u,v)>0\}$。

  有时我们将在 $E_f$ 中的边称为非饱和边，将不在 $E_f$ 中的边称为饱和边。

• 引理 1.5：下述若干性质成立。

  1. 对于任意 $u,v\in V$，$r(u,v)\ge 0$。
  2. 对于任意 $(u,v)\in E_f$，必有 $(u,v)\in E$ 或 $(v,u)\in E$。
  3. 对于任意 u ∈ V ∖ { s , t } u\in V\setminus\{s,t\} u∈V∖{s,t}，有 ${\sum }_{v}r(u,v)={\sum }_{v}c(u,v)$。

• 定义 1.6（增广）：增广路是 $G_f$ 中一条 $s$ 到 $t$ 的路径。

  定义某流 $f$ 根据 $G_f$ 上的增广路 $P=(u_1=s,u_2,\cdots ,u_{k-1},u_k=t)$ 增广为如下操作：记 $r(P)={\min }_{i=1}^{k-1}r(u_i,u_{i+1})$，然后对于每个 $i\in [1,k)$，令 $f(u_i,u_{i+1})$ 加上 $r(P)$、$f(u_{i+1},u_i)$ 减去 $r(P)$（对应地会使 $r(u_i,u_{i+1})$ 减去 $r(P)$、$r(u_{i+1},u_i)$ 加上 $r(P)$）。容易验证此时 $f$ 仍为一个合法的流，且 $|f|$ 增加了 $w$。

我们的想法是不断地在残量网络上找增广路并进行增广，最后得到最大流。但在此之前，我们需先证明找不到增广路等价于找到了最大流，这是容易被忽略的。为此，我们引入割的概念。

• 定义 1.7（割）：称 $(S,T)$ 是网络 $G$ 的割，当且仅当 $S\cup T=V,S\cap T=\varnothing$ 且 $s\in S,t\in T$。

  定义割 $(S,T)$ 的流量为：$f(S,T)={\sum }_{u\in S}{\sum }_{v\in T}f(u,v)$。

  定义割 $(S,T)$ 的容量为：$c(S,T)={\sum }_{u\in S}{\sum }_{v\in T}c(u,v)$。

  称使得 $c(S,T)$ 最小的 $(S,T)$ 为最小割。

• 引理 1.8：设 $f$ 是 $G$ 的一个流，$(S,T)$ 是 $G$ 的一个割，那么 $|f|=f(S,T)$。

  证明：如下：

  $$f(S,T)=\sum _{u\in S}\sum _{v\in T}f(u,v)=\sum _{u\in S}\sum _{v\in T}f(u,v)+\sum _{u\in S}\sum _{v\in S}f(u,v)=\sum _{u\in S}\sum _{v}f(u,v)=\sum _{v}f(s,v)=|f|$$

• 推论 1.9：最大流小于等于最小割。

  证明：设 $f$ 是 $G$ 的一个流，$(S,T)$ 是 $G$ 的一个割，那么 $|f|=f(S,T)={\sum }_{u\in S}{\sum }_{v\in T}f(u,v)\le {\sum }_{u\in S}{\sum }_{v\in T}c(u,v)=c(S,T)$。

• 定理 1.10（最大流最小割定理）：设 $f$ 是 $G$ 的一个流。那么如下三个命题是等价的：

  1. $f$ 是 $G$ 的最大流。
  2. $G_f$ 不包含任何增广路。
  3. 存在某个 $G$ 的割 $(S,T)$，满足 $|f|=c(S,T)$。

  证明：$(1)\Rightarrow (2)$：显然。

  $(2)\Rightarrow (3)$：令 S = { v ∈ V : G f 中存在一条 s 到 v 的路径 } S=\{v\in V:G_f\text{中存在一条}s\text{到}v\text{的路径}\} S={v∈V:Gf​中存在一条s到v的路径}，$T=V\setminus S$，显然 $s\in S$ 且 $t\in T$。根据定义，对于任意 $u\in S$ 且 $v\in T$ 都有 $r(u,v)=0$，那么 ${\sum }_{u\in S}{\sum }_{v\in T}r(u,v)=0$ 即 ${\sum }_{u\in S}{\sum }_{v\in T}c(u,v)={\sum }_{u\in S}{\sum }_{v\in T}f(u,v)$，那么 $c(S,T)=f(S,T)=|f|$。

  $(3)\Rightarrow (1)$：显然。

于是，根据定理 1.10，我们得到了一个求解最大流的算法：不断地在残量网络上找增广路并进行增广，直到找不到增广路为止。注意增广的次数是有限的，因为每次增广后最大流都会严格增大，而最大流是有限的。

定理 1.10 的证明实际上也给出了由最大流方案构造最小割方案的方法。

Ford-Fulkerson 算法

直接在残量网络上 dfs 找增广路。单次增广时间复杂度 $O(m)$。增广的次数：对于容量均为整数的情况，增广次数有上界 $O(\text{最大流大小})$；对于容量为有理数的情况，可以通过乘以某个系数使得它们转为整数；对于容量为无理数的情况，Ford-Fulkerson 算法可能会无限进行下去。

Edmonds-Karp 算法

考虑用 bfs 找增广路，单次增广时间复杂度仍然是 $O(m)$ 的，但增广次数有了更好的上界 $O(nm)$，接下来我们来证明此事。

记 $d(s,v)$ 为当前残量网络上 $s$ 到 $v$ 的最短路径长度（经过边数最少），若不存在则记为 $\infty$。于是 bfs 树就是最短路径树。

• 引理 1.11：EK 算法过程中，$d(s,v)$ 单调不减。

  证明：考虑某次增广，我们在 $G_f$ 上找到了增广路 $P=(u_1=s,u_2,\cdots ,u_{k-1,}{u}_k=t)$，那么对于任意 $i\in [1,k)$ 有 $d(s,u_{i+1})=d(s,u_i)+1$。我们可能会对 $G_f$ 进行的改变有：删掉某条正向边 $(u_i,u_{i+1})$、增加某条反向边 $(u_{i+1},u_i)$。

  考虑先进行增加反向边的操作，我们只需证明增加了反向边 $(u_{i+1},u_i)$ 后，$d(s,u_i)$ 不会变小即可：变小了则意味着 $d(s,u_i)>d(s,u_{i+1})+1$，这与 $d(s,u_i)+1=d(s,u_{i+1})$ 矛盾。

  再考虑进行删掉正向边的操作，显然删除一条边不会让图中任何一个点的最短路变小。

• 定义 1.12（关键边）：对于残量网络 $G_f$ 上的某条增广路 $P=(u_1=s,u_2,\cdots ,u_{k-1},u_k=t)$，称 $(u_i,u_{i+1})$ 为 $P$ 上的关键边，当且仅当 $r(u,v)=r(P)$。

• 引理 1.13：设残量网络 $G_f$，其上的某条增广路 $P$，和 $P$ 上的任意关键边 $(u,v)$。设 $f^{\prime }$ 为 $f$ 根据 $P$ 增广后的流，那么 $(u,v)\notin G_{f^{\prime }}$。

• 定理 1.14：EK 算法过程的增广总次数为 $O(nm)$。

  证明：对于某条边 $(u,v)$，设其在某一次成为关键边时对应的残量网络上的最短路函数为 $d$。设 $(u,v)$ 下一次成为关键边时，对应的最短路函数为 $d^{\prime \prime }$。而在 $(u,v)$ 两次成为关键边之间，$(v,u)$ 肯定要先成为一次关键边，设此时的最短路函数为 $d^{\prime }$。那么：

  $$d^{\prime \prime }(s,u)\ge d^{\prime }(s,u)=d^{\prime }(s,v)+1\ge d(s,v)+1=(d(s,u)+1)+1=d(s,u)+2$$

  于是，在某条边 $(u,v)$ 两次成为关键边之间，$d(s,u)$ 必定至少增加 $2$，而一旦 $d(s,u)\ge n$ 就不可能再变大，于是 $(u,v)$ 至多成为 $\frac{n}{2}$ 次关键边。每次增广时，至少有一条边成为关键边，而可能成为关键边的边数至多为 $2m$，于是至多增广 $2m\cdot \frac{n}{2}=nm$ 次。

于是我们得到了时间复杂度为 $O(n{m}^2)$ 的 EK 算法，这是和容量无关的。

Dinic 算法

dinic 算法的主体思想仍然是增广，它的算法过程如下：每次先在残量网络上 bfs 建立最短路 DAG（它是个分层图），然后一直在这个 DAG 上找增广路，直到找不到为止才再次分层。

我们把 “分层成 DAG 后，在 DAG 上多次增广” 这个过程称为一轮。

分析一轮的时间复杂度：每次增广至少有一条关键边，而每条关键边的反向边不可能出现在 DAG 中，于是至多增广 $m$ 次。那么粗糙分析的话，每次增广用 $O(m)$ 的时间，整轮下来是 $O(m^2)$ 的。但实际上，如果我们加上当前弧优化，每次找增广路就能做到 $O(n)$（注意增广路长度至多为 $n$），一轮的复杂度降为 $O(nm)$。

接下来我们证明至多会进行 $O(n)$ 轮。

• 定理 1.15：dinic 算法过程中，每经过一轮，$d(s,t)$ 严格变大。

  证明：考虑某一轮对应的 DAG 为 $D$。该轮进行完后，会删掉一些 $D$ 上的正向边，增加一些 $D$ 上正向边对应的反向边。那么下一轮时，残量网络上剩下的边只有两种可能：$D$ 上的边，$D$ 上从远层往近层连的边（一部分是本来就不在 $D$ 中的，一部分是刚刚一轮新增的反向边）。而且不存在只包含第一种边的 $s$ 到 $t$ 的路径。于是在这张图上，$s$ 到 $t$ 的最短路一定严格变大了。

又由于一旦 $d(s,t)\ge n$ 就不可能再变大，于是至多会进行 $n$ 轮分层。于是 dinic 算法的时间复杂度为 $O(n^{2}m)$。

一个优化是 bfs 分层时遇到 $t$ 就停止，这在随机数据下能起到不错的效果。

Dinic 算法求解二分图最大匹配问题

二分图最大匹配问题建立的网络每条边容量都为 $1$，且除了 $s,t$ 外的每个点 $u$，都满足 $u$ 的入边或出边只有一条。称这样的网络为单位网络。可以发现，增广后的残量网络也始终是单位网络。

单轮在单位网络的分层 DAG 上多路增广的时间复杂度是 $O(m)$ 的。于是对于 dinic 算法过程中的前 $\sqrt{n}$ 轮，时间复杂度是 $O(m\sqrt{n})$ 的。

考虑前 $\sqrt{n}$ 轮过后，剩下的残量网络 $G_f$，我们现在要在 $G_f$ 上找最大流。设最大流为 $d$，又由于 $G_f$ 是单位网络，每个点至多有一条流经过，所以这 $d$ 条流一定对应着 $G_f$ 上的 $d$ 条点不相交的路径，于是 $d\le \sqrt{n}$。而每次增广最大流严格增大，于是至多再找 $\sqrt{n}$ 条增广路，即至多再经过 $\sqrt{n}$ 轮。

于是总时间复杂度为 $O(m\sqrt{n})$。

该分析不仅对于二分图最大匹配问题有效，对于单位网络上的 dinic 算法分析都有效。

二、费用流

咕。