网络流——最大流EK算法讲解

网络流——最大流EK算法讲解

好了，这是第二篇博客了，如第一篇所述，来讲一讲刚刚理解的网络流。因为本人只会EK算法，所以先讲这个算法。（我会去补知识点的!!!）

什么是网络流？？？

读者们刚接触这个知识可能会有点蒙，不，可能是非常蒙。虽然本蒟蒻也只是懵懵懂

如最短路，我想即使先不学，手算也能将一个简单的图求出来。

但是遇到网络流——最大流，那恐怕不是那么好算，反正一开始给我算我也只是一头雾水。（有可能是本人太弱了，各位大佬请谅解）

给个图（感谢洛谷的图）

首先我们要先知道最大流的意思，简单来说有一个源点s，一个汇点t（如图），水流通过其他点从源点s到汇点t，请问可经过的最多水流。

那如上图，怎么求最大流呢？先手算一遍。

首先我们先理解理解：

图中的边权值意味着水流的最大流量（也许作者用词不精，但不妨碍理解吧？），即水流最大就边权值那么大。

我们再想想，水流怎么到达汇点的呢？显然，上述提及，是依靠其他点。那图中，有许多路径可从s到t，如：
s—>3—>t
s—>1—>t
s—>5—>t
s—>1—>3—>t
…
注意：图中所有的边都为有向边。

好了，那么先想：每一条路径的最大流量是多少呢？
。。。。。。
应为路径上的最小边权值。

No！！！

以刚才那张图为例（再放一遍，因为我知道再翻上去有多麻烦！）

我们用s，1，2，3，t这几个点来举栗子

若按最大流为所有路径之和的思想，单看这几个点，ans应为：

s—>3—>t
流量：min（10,15）=10

s—>1—>t
流量：min（22,68）=22

s—>1—>3—>t
流量：min（22,34,15）=15

s—>1—>2—>3—>t
流量：min（22,6,9,15）=6

ans=10+22+15+6=53

对吗？错！！

为什么错？
首先看到s，1；s，3 这两条边。可以看出边权为22,10。理解一下，（忽略点4,5）我就给了你这么多水，任你怎么去分配，仍不可能大于我原来给你的水。所以上述算的ans理论上就不是正确的。那么原因是什么？

以点1为例，s流入点1的水（22）会流向点3，点2，点t。那么思考，流向每一个点的水流都会是22吗？不会。22是分配给了这三个点，所以应该是22为流向3个点的总和。

但注意，路径途中看可能会有水流失，如s—>4的水流就流失了，5—>t流不到56。

那正解呢?单说这道题，通过我们人的智慧，脑中应可以想出个贪心（应该是吧？）如点1，点2汇到点3想一想完全不需要。虽然3—>t还会多出5的流量，可以选择再补一点，但是补的是哪里的呢？s—>1的22里面的。那我完全可以将这22全从1汇入t，一次性搞定那不香吗 。所以用不着将点1的水汇一些给点3。

再举个栗子：3—>5其实也不需要走，因为：

1. s汇给3的流量10完全可以直接从3—>t汇入，而且可以汇完，与上所说一样，所以不用汇给5。
2. s—>4就给了56的流量，这的流量从5—>t都汇不完，但我再加个（11）3—>5又有什么用呢？

所以大概的思路就有了，那么依靠我们自身的判断，上图最大流应为22+10+45=77。

好了，我们总算手玩一遍了，那这种思想可以与程序结合吗？答案是肯定的。但是做到这一点还有一个问题：

上面说的什么什么路径不用走，是靠我们人的判断想出来的，但机器是死的，如何让它知道该走哪一条路呢？如果不注意这个问题，那结果即是得不到最优解。

当然，读者们也许还不知道如何先求最大流（也就是抛开上面问题的程序实现），但别着急，我们理解了这么多吗，还是先理解一些定义。（下面只是介绍，助于理解，看不懂没关系，但是有些必需看懂的等会会提醒。）

网络流、最大流定义

这就是硬东西了：
一、网络流的定义：有向图G=(V,E)中，点集中有一源点S，一汇点T。且S入度为0，T出度为0。对于每条边edge，都有一权值函数c，表示其容量，一权值函数f，表示其实际流量。

二、最大流的定义：在不违背网络流的定义下，S到T的最大流量。

好了，不管看不看的懂，没事，知道什么是网络流，什么是最大流就行了。（其实是自己也不太清楚，也说不清楚 ）

那么刚刚我们就有了一个初步的思路，找到一条路径，ans+=min（边权）。对了，因为是手算，没说一个要点，（别怪我）

要点：想一想，但我们找到一条路径时，得到一个答案时，是不是路径上每一条边权都要减去最小边权呢。对吧？换到生活上，也是如此。因为一个边权，通过此边权有一条路径，那我分配了一些水过去，那自身流量是不是也要减少？因为我剩下的流量要给其他未被找到的路径用，不可能把分配过的水再次用，那这样就错了。

这是实现程序的一个步骤。

还有一个定义：

增广路：

增广路是指从s到t的一条路，流过这条路，使得当前的流（可以到达t的人）可以增加。

这个东西其实就是刚刚说的路径，但更加详细。

那么求最大流问题可以转换为不断求解增广路的问题，并且，显然当图中不存在增广路时就达到了最大流。

思路如下：

1. 找到一条路径（即增广路），这里用bfs实现。
2. 再得到路径的最小边权，累加答案，并且路径中的边权减去其。（这样也避免宽搜里死循环）
3. 路径反向边加上最小边权。
4. 重复此过程，直到结束循环，此情况下也便找到了最大流。

那么程序就这么easy！！！
所以3是什么意思
好吧，其实这个步骤也就是来解决刚刚我们说过的问题:

梳理一下即是：在做增广路时可能会阻塞后面的增广路，或者说，做增广路本来是有个顺序才能找完最大流的。

为什么加反向边？

其实也就是给予程序一个反悔的机会。

因为我们是任意找的，为了修正，就每次将流量加在了反向弧上（其实就是反向边），让后面的流能够进行自我调整。

其实就是把一个路径的一条边退了回去，让它走另一条路径。

若你还是有些懵，没事，先看看代码。

所以说，这就是最大流的解法（其一），你如果理解了反向边的概念。那恭喜你，成功理解了

EdmondsKarp算法

这里先说一下复杂度为：
O(VE^2)

EK算法还是很容易理解的，并且代码实现很简单，当整个图是稀疏图的时候，使用EK算法不失为一种简便可行的方法，但是如果图的边数非常多，这个算法的性能也就显得不是那么优秀。可以看到EK算法的处理在每次找到增广路后，就从源点开始重新再BFS遍历查找，这一过程中有很多的遍历都是没必要的，虽然其他算法我也不会。

跟着思路放一下代码：

找到一条路径（即增广路），这里用bfs实现。

int bfs(){
   
	memset(b,1,sizeof(b));
	int np,flow=inf;//np为队首，flow为最小边权
	queue<int>q;//队列
	q.push(1);//1开始bfs
	b[1]=0;//标记
	pre[1]=pre[n]=-1;//pre[i]表示i点的上一个点，也就是从pre[i]走向i
	while(!q.empty