最大流算法之三：ISAP <

最新推荐文章于 2019-03-29 21:09:38 发布

pi9nc

最新推荐文章于 2019-03-29 21:09:38 发布

阅读量4.5k

点赞数

分类专栏：算法

算法专栏收录该内容

539 篇文章 16 订阅

订阅专栏

最大流算法之三：ISAP <转>

(2009-08-14 19:24:27)

转载▼

标签：

it

分类：理论

通常的 SAP 类算法在寻找增广路时总要先进行 BFS，BFS 的最坏情况下复杂度为 O(E)，这样使得普通 SAP 类算法最坏情况下时间复杂度达到了 O(VE²)。为了避免这种情况，Ahuja 和 Orlin 在1987年提出了Improved SAP 算法，它充分利用了距离标号的作用，每次发现顶点无出弧时不是像 Dinic 算法那样到最后进行 BFS，而是就地对顶点距离重标号，这样相当于在遍历的同时顺便构建了新的分层网络，每轮寻找之间不必再插入全图的 BFS 操作，极大提高了运行效率。国内一般把这个算法称为 SAP...显然这是不准确的，毕竟从字面意思上来看 E-K 和 Dinic 都属于 SAP，我还是习惯称为 ISAP 或改进的 SAP 算法。

与 Dinic 算法不同，ISAP 中的距离标号是每个顶点到达终点 t 的距离。同样也不需显式构造分层网络，只要保存每个顶点的距离标号即可。程序开始时用一个反向 BFS 初始化所有顶点的距离标号，之后从源点开始，进行如下三种操作：(1)当前顶点 i 为终点时增广 (2) 当前顶点有满足 dist[i] = dist[j] + 1 的出弧时前进 (3) 当前顶点无满足条件的出弧时重标号并回退一步。整个循环当源点 s 的距离标号 dist[s] >= n 时结束。对 i 点的重标号操作可概括为 dist[i] = 1 + min{dist[j] : (i,j)属于残量网络G_f}。具体算法描述如下：

 
   algorithm Improved-Shortest-Augmenting-Path
  1 f <-- 0
  2 从终点 t 开始进行一遍反向 BFS 求得所有顶点的起始距离标号 d(i)
  3 i <-- s
  4 while d(s) < n do
  5     if i = t then    // 找到增广路
  6         Augment
  7         i <-- s      // 从源点 s 开始下次寻找
  8     if Gf 包含从 i 出发的一条允许弧 (i,j)
  9         then Advance(i)
 10         else Retreat(i)    // 没有从 i 出发的允许弧则回退
 11 return f
 
 procedure Advance(i)
 1 设 (i,j) 为从 i 出发的一条允许弧
 2 pi(j) <-- i    // 保存一条反向路径，为回退时准备
 3 i <-- j        // 前进一步，使 j 成为当前结点
 
 procedure Retreat(i)
 1 d(i) <-- 1 + min{d(j):(i,j)属于残量网络Gf}    // 称为重标号的操作
 2 if i != s
 3     then i <-- pi(i)    // 回退一步
 
 procedure Augment
 1 pi 中记录为当前找到的增广路 P
 2 delta <-- min{rij:(i,j)属于P}
 3 沿路径 P 增广 delta 的流量
 4 更新残量网络 Gf 
  

算法中的允许弧是指在残量网络中满足 dist[i] = dist[j] + 1 的弧。Retreat 过程中若从 i 出发没有弧属于残量网络 G_f 则把顶点距离重标号为 n 。

虽然 ISAP 算法时间复杂度与 Dinic 相同都是 O(V²E)，但在实际表现中要好得多。要提的一点是关于 ISAP 的一个所谓 GAP 优化。由于从 s 到 t 的一条最短路径的顶点距离标号单调递减，且相邻顶点标号差严格等于1，因此可以预见如果在当前网络中距离标号为 k (0 <= k < n) 的顶点数为 0，那么可以知道一定不存在一条从 s 到 t 的增广路径，此时可直接跳出主循环。在我的实测中，这个优化是绝对不能少的，一方面可以提高速度，另外可增强 ISAP 算法时间上的稳定性，不然某些情况下 ISAP 会出奇的费时，而且大大慢于 Dinic 算法。相对的，初始的一遍 BFS 却是可有可无，因为 ISAP 可在循环中自动建立起分层网络。实测加不加 BFS 运行时间差只有 5% 左右，代码量可节省 15~20 行。

算法效率

O(E^2*V)

模板：

#include<cstdio>
#include<memory>
using namespace std;

const int maxnode = 1024;
const int infinity = 2100000000;

struct edge{
   int ver;    // vertex
   int cap;    // capacity
   int flow;   // current flow in this arc
   edge *next; // next arc
   edge *rev;  // reverse arc
   edge(){}
   edge(int Vertex, int Capacity, edge *Next)
   :ver(Vertex), cap(Capacity), flow(0), next(Next), rev((edge*)NULL){}
   void* operator new(size_t, void *p){
   return p;
   }
}*Net[maxnode];
int dist[maxnode]= {0}, numbs[maxnode] = {0}, src, des, n;

void rev_BFS(){
   int Q[maxnode], head = 0, tail = 0;
   for(int i=1; i<=n; ++i){
   dist[i] = maxnode;
   numbs[i] = 0;
   }

   Q[tail++] = des;
   dist[des] = 0;
   numbs[0] = 1;
   while(head != tail){
   int v = Q[head++];
   for(edge *e = Net[v]; e; e = e->next){
      if(e->rev->cap == 0 || dist[e->ver] < maxnode)continue;
      dist[e->ver] = dist[v] + 1;
      ++numbs[dist[e->ver]];
      Q[tail++] = e->ver;
   }
   }
}

int maxflow(){
   int u, totalflow = 0;
   edge *CurEdge[maxnode], *revpath[maxnode];
   for(int i=1; i<=n; ++i)CurEdge[i] = Net[i];
   u = src;
   while(dist[src] < n){
   if(u == des){    // find an augmenting path
      int augflow = infinity;
      for(int i = src; i != des; i = CurEdge[i]->ver)
      augflow = min(augflow, CurEdge[i]->cap);
      for(int i = src; i != des; i = CurEdge[i]->ver){
      CurEdge[i]->cap -= augflow;
      CurEdge[i]->rev->cap += augflow;
      CurEdge[i]->flow += augflow;
      CurEdge[i]->rev->flow -= augflow;
      }
      totalflow += augflow;
      u = src;
   }

   edge *e;
   for(e = CurEdge[u]; e; e = e->next)
      if(e->cap > 0 && dist[u] == dist[e->ver] + 1)break;
   if(e){    // find an admissible arc, then Advance
      CurEdge[u] = e;
      revpath[e->ver] = e->rev;
      u = e->ver;
   } else {    // no admissible arc, then relabel this vertex
      if(0 == (--numbs[dist[u]]))break;    // GAP cut, Important!
      CurEdge[u] = Net[u];
      int mindist = n;
      for(edge *te = Net[u]; te; te = te->next)
      if(te->cap > 0)mindist = min(mindist, dist[te->ver]);
      dist[u] = mindist + 1;
      ++numbs[dist[u]];
      if(u != src)
      u = revpath[u]->ver;    // Backtrack
   }
   }
   return totalflow;
}

int main(){
   int m, u, v, w;
   freopen("ditch.in", "r", stdin);
   freopen("ditch.out", "w", stdout);
   while(scanf("%d%d", &m, &n) != EOF){    // POJ 1273 need this while loop
   edge *buffer = new edge[2*m];
   edge *data = buffer;
   src = 1; des = n;
   while(m--){
      scanf("%d%d%d", &u, &v, &w);
      Net[u] = new((void*) data++) edge(v, w, Net[u]);
      Net[v] = new((void*) data++) edge(u, 0, Net[v]);
      Net[u]->rev = Net[v];
      Net[v]->rev = Net[u];
   }
   rev_BFS();
   printf("%d\n", maxflow());
   delete [] buffer;
   }
   return 0;
}

ISAP 是图论求最大流的算法之一，它很好的平衡了运行时间和程序复杂度之间的关系，因此非常常用。

约定

我们使用邻接表来表示图，表示方法可以见文章带权最短路 Dijkstra, SPFA, Bellman-Ford, ASP, Floyd-Warshall 算法分析或二分图的最大匹配、完美匹配和匈牙利算法的开头（就不重复贴代码了）。在下文中，图的源点（source）表示为 s ，汇点（sink）表示为 t ，当前节点为 u 。建图时，需要建立双向边（设反向的边容量为0）才能保证算法正确。

引入

求解最大流问题的一个比较容易想到的方法就是，每次在残量网络（residual network）中任意寻找一条从 s 到 t 的路径，然后增广，直到不存在这样的路径为止。这就是一般增广路算法（labeling algorithm）。可以证明这种不加改进的贪婪算法是正确的。假设最大流是 f ，那么它的运行时间为 O( f⋅∣E∣) 。但是，这个运行时间并不好，因为它和最大流 f 有关。

人们发现，如果每次都沿着残量网络中的最短增广路增广，则运行时间可以减为 O(∣E∣2⋅∣V∣) 。这就是最短增广路算法。而 ISAP 算法则是最短增广路算法的一个改进。其实，ISAP 的意思正是「改进的最短增广路」 (Improved Shortest Augmenting Path)。

顺便说一句，上面讨论的所有算法根本上都属于增广路方法（Ford-Fulkerson method）。和它对应的就是大名鼎鼎的预流推进方法（Preflow-push method）。其中最高标号预流推进算法（Highest-label preflow-push algorithm）的复杂度可以达到 O(∣V∣2∣E∣−−−−√) 。虽然在复杂度上比增广路方法进步很多，但是预流推进算法复杂度的上界是比较紧的，因此有时差距并不会很大。

算法解释

概括地说，ISAP 算法就是不停地找最短增广路，找到之后增广；如果遇到死路就 retreat，直到发现 s, t 不连通，算法结束。找最短路本质上就是无权最短路径问题，因此采用 BFS 的思想。具体来说，使用一个数组 d ，记录每个节点到汇点 t 的最短距离。搜索的时候，只沿着满足 d[u]=d[v]+1 的边 u→v （这样的边称为允许弧）走。显然，这样走出来的一定是最短路。

原图存在两种子图，一个是残量网络，一个是允许弧组成的图。残量网络保证可增广，允许弧保证最短路（时间界较优）。所以，在寻找增广路的过程中，一直是在残量网络中沿着允许弧寻找。因此，允许弧应该是属于残量网络的，而非原图的。换句话说，我们沿着允许弧，走的是残量网络（而非原图）中的最短路径。当我们找到沿着残量网络找到一条增广路，增广后，残量网络肯定会变化（至少少了一条边），因此决定允许弧的 d 数组要进行相应的更新（顺便提一句，Dinic 的做法就是每次增广都重新计算 d 数组）。然而，ISAP 「改进」的地方之一就是，其实没有必要马上更新 d 数组。这是因为，去掉一条边只可能令路径变得更长，而如果增广之前的残量网络存在另一条最短路，并且在增广后的残量网络中仍存在，那么这条路径毫无疑问是最短的。所以，ISAP 的做法是继续增广，直到遇到死路，才执行 retreat 操作。

说到这里，大家应该都猜到了，retreat 操作的主要任务就是更新 d 数组。那么怎么更新呢？非常简单：假设是从节点 u 找遍了邻接边也没找到允许弧的；再设一变量 m ，令 m 等于残量网络中 u 的所有邻接点的 d 数组的最小值，然后令 d[u] 等于 m+1 即可。这是因为，进入 retreat 环节说明残量网络中 u 和 t 已经不能通过（已过时）的允许弧相连，那么 u 和 t 实际上在残量网络中的最短路的长是多少呢？（这正是 d 的定义！）显然是残量网络中 u 的所有邻接点和 t 的距离加 1 的最小情况。特殊情况是，残量网络中 u 根本没有邻接点。如果是这样，只需要把 d[u] 设为一个比较大的数即可，这会导致任何点到 u 的边被排除到残量网络以外。（严格来说只要大于等于 ∣V∣ 即可。由于最短路一定是无环的，因此任意路径长最大是 ∣V∣−1 ）。修改之后，只需要把正在研究的节点 u 沿着刚才走的路退一步，然后继续搜索即可。

讲到这里，ISAP 算法的框架内容就讲完了。对于代码本身，还有几个优化和实现的技巧需要说明。

算法执行之前需要用 BFS 初始化 d 数组，方法是从 t 到 s 逆向进行。
算法主体需要维护一个「当前节点」 u ，执行这个节点的前进、retreat 等操作。
记录路径的方法非常简单，声明一个数组 p ，令 p[i] 等于增广路上到达节点 i 的边的序号（这样就可以找到从哪个顶点到的顶点 i ）。需要路径的时候反向追踪一下就可以了。
判断残量网络中 s, t 不连通的条件，就是 d[s]≥∣V∣ 。这是因为当 s, t 不连通时，最终残量网络中 s 将没有任何邻接点，对 s 的 retreat 将导致上面条件的成立。
GAP 优化。GAP 优化可以提前结束程序，很多时候提速非常明显（高达 100 倍以上）。GAP 优化是说，进入 retreat 环节后， u, t 之间的连通性消失，但如果 u 是最后一个和 t 距离 d[u] （更新前）的点，说明此时 s, t 也不连通了。这是因为，虽然 u, t 已经不连通，但毕竟我们走的是最短路，其他点此时到 t 的距离一定大于 d[u] （更新前），因此其他点要到 t ，必然要经过一个和 t 距离为 d[u] （更新前）的点。GAP 优化的实现非常简单，用一个数组记录并在适当的时候判断、跳出循环就可以了。
另一个优化，就是用一个数组保存一个点已经尝试过了哪个邻接边。寻找增广的过程实际上类似于一个 BFS 过程，因此之前处理过的邻接边是不需要重新处理的（残量网络中的边只会越来越少）。具体实现方法直接看代码就可以，非常容易理解。需要注意的一点是，下次应该从上次处理到的邻接边继续处理，而非从上次处理到的邻接边的下一条开始。

最后说一下增广过程。增广过程非常简单，寻找增广路成功（当前节点处理到 t ）后，沿着你记录的路径走一遍，记录一路上的最小残量，然后从 s 到 t 更新流量即可。

实现

int source;         // 源点
int sink;           // 汇点
int p[max_nodes];   // 可增广路上的上一条弧的编号
int num[max_nodes]; // 和 t 的最短距离等于 i 的节点数量
int cur[max_nodes]; // 当前弧下标
int d[max_nodes];   // 残量网络中节点 i 到汇点 t 的最短距离
bool visited[max_nodes];

// 预处理, 反向 BFS 构造 d 数组
bool bfs()
{
    memset(visited, 0, sizeof(visited));
    queue<int> Q;
    Q.push(sink);
    visited[sink] = 1;
    d[sink] = 0;
    while (!Q.empty()) {
        int u = Q.front();
        Q.pop();
        for (iterator_t ix = G[u].begin(); ix != G[u].end(); ++ix) {
            Edge &e = edges[(*ix)^1];
            if (!visited[e.from] && e.capacity > e.flow) {
                visited[e.from] = true;
                d[e.from] = d[u] + 1;
                Q.push(e.from);
            }
        }
    }
    return visited[source];
}

// 增广
int augment()
{
    int u = sink, df = __inf;
    // 从汇点到源点通过 p 追踪增广路径, df 为一路上最小的残量
    while (u != source) {
        Edge &e = edges[p[u]];
        df = min(df, e.capacity - e.flow);
        u = edges[p[u]].from;
    }
    u = sink;
    // 从汇点到源点更新流量
    while (u != source) {
        edges[p[u]].flow += df;
        edges[p[u]^1].flow -= df;
        u = edges[p[u]].from;
    }
    return df;
}

int max_flow()
{
    int flow = 0;
    bfs();
    memset(num, 0, sizeof(num));
    for (int i = 0; i < num_nodes; i++) num[d[i]]++;
    int u = source;
    memset(cur, 0, sizeof(cur));
    while (d[source] < num_nodes) {
        if (u == sink) {
            flow += augment();
            u = source;
        }
        bool advanced = false;
        for (int i = cur[u]; i < G[u].size(); i++) { 
            Edge& e = edges[G[u][i]];
            if (e.capacity > e.flow && d[u] == d[e.to] + 1) {
                advanced = true;
                p[e.to] = G[u][i];
                cur[u] = i;
                u = e.to;
                break;
            }
        }
        if (!advanced) { // retreat
            int m = num_nodes - 1;
            for (iterator_t ix = G[u].begin(); ix != G[u].end(); ++ix)
                if (edges[*ix].capacity > edges[*ix].flow)
                    m = min(m, d[edges[*ix].to]);
            if (--num[d[u]] == 0) break; // gap 优化
            num[d[u] = m+1]++;
            cur[u] = 0;
            if (u != source)
                u = edges[p[u]].from;
        }
    }
    return flow;
}

int source ; // 源点

int sink ; // 汇点

int p [ max_nodes ] ; // 可增广路上的上一条弧的编号

int num [ max_nodes ] ; // 和 t 的最短距离等于 i 的节点数量

int cur [ max_nodes ] ; // 当前弧下标

int d [ max_nodes ] ; // 残量网络中节点 i 到汇点 t 的最短距离

bool visited [ max_nodes ] ;

// 预处理, 反向 BFS 构造 d 数组

bool bfs ( )

{

memset ( visited , 0 , sizeof ( visited ) ) ;

queue < int > Q ;

Q . push ( sink ) ;

visited [ sink ] = 1 ;

d [ sink ] = 0 ;

while ( ! Q . empty ( ) ) {

int u = Q . front ( ) ;

Q . pop ( ) ;

for ( iterator_t ix = G [ u ] . begin ( ) ; ix != G [ u ] . end ( ) ; ++ ix ) {

Edge &e = edges [ ( * ix ) ^ 1 ] ;

if ( ! visited [ e . from ] && e . capacity > e . flow ) {

visited [ e . from ] = true ;

d [ e . from ] = d [ u ] + 1 ;

Q . push ( e . from ) ;

}

return visited [ source ] ;

}

// 增广

int augment ( )

{

int u = sink , df = __inf ;

// 从汇点到源点通过 p 追踪增广路径, df 为一路上最小的残量

while ( u != source ) {

Edge &e = edges [ p [ u ] ] ;

df = min ( df , e . capacity - e . flow ) ;

u = edges [ p [ u ] ] . from ;

}

u = sink ;

// 从汇点到源点更新流量

while ( u != source ) {

edges [ p [ u ] ] . flow + = df ;

edges [ p [ u ] ^ 1 ] . flow - = df ;

u = edges [ p [ u ] ] . from ;

}

return df ;

}

int max_flow ( )

{

int flow = 0 ;

bfs ( ) ;

memset ( num , 0 , sizeof ( num ) ) ;

for ( int i = 0 ; i < num_nodes ; i ++ ) num [ d [ i ] ] ++ ;

int u = source ;

memset ( cur , 0 , sizeof ( cur ) ) ;

while ( d [ source ] < num_nodes ) {

if ( u == sink ) {

flow + = augment ( ) ;

u = source ;

}

bool advanced = false ;

for ( int i = cur [ u ] ; i < G [ u ] . size ( ) ; i ++ ) {

Edge & e = edges [ G [ u ] [ i ] ] ;

if ( e . capacity > e . flow && d [ u ] == d [ e . to ] + 1 ) {

advanced = true ;

p [ e . to ] = G [ u ] [ i ] ;

cur [ u ] = i ;

u = e . to ;

break ;

}

if ( ! advanced ) { // retreat

int m = num_nodes - 1 ;

for ( iterator_t ix = G [ u ] . begin ( ) ; ix != G [ u ] . end ( ) ; ++ ix )

if ( edges [ * ix ] . capacity > edges [ * ix ] . flow )

m = min ( m , d [ edges [ * ix ] . to ] ) ;

if ( -- num [ d [ u ] ] == 0 ) break ; // gap 优化

num [ d [ u ] = m + 1 ] ++ ;

cur [ u ] = 0 ;

if ( u != source )

u = edges [ p [ u ] ] . from ;

}

return flow ;

}

poj3469Dual Core CPU(ISAP求最小割)

分类：网络流图论 2013-09-09 14:55 40人阅读评论(0) 收藏举报

网络流图论

题目请戳这里

题目大意：n个工作，2个CPU，每个工作都可以工作在2个CPU上，并且对于工作i，在第一个CPU上工作的代价为ai，在第二个CPU上工作的代价是bi，再给m对工作，每对工作有数据交换，如果这2个工作工作在同一个CPU上，数据交换无代价，否则数据交换代价为w。求n个工作完成的最小代价。

题目分析：有2个CPU，每个工作只能工作在一个CPU上，所以我们可以将所有的工作分成2类：工作在第一个CPU上和工作在第二个CPU上的。于是就将所有的点分成了2个集合，每个集合中有若干个工作，并且2个CPU只能在2个集合中。很显然有割的性质，此题求一个最小割，根据最大流最小割定理，求最大流即可。

关于建图：要求最小代价。以2个CPU为源点和汇点。假设A为源点，B为汇点。对于工作i，源点与i建一条边，边权为bi，i与汇点建一条边，边权为ai。因为要求最小割，所以我们要想象割的过程，如果让工作i工作在A CPU上，那么就要割断工作i和B CPU的联系，那么割断这个联系的代价便是工作i工作在A CPU上的代价，所以i到汇点建边的边权要为ai。对于m个工作关系，同样想象割的过程：如果工作i，j工作在同一块CPU上，那么代价为0，如果工作在不同的CPU上，那么这2个工作必须分开，于是工作i和j直接就要有一个割，割的代价就是w，所以对于每对有联系的工作，之间相互建边，边权为w。

这题数据量比较大，测试模版比较不错。

详情请见代码：

[cpp] view plain copy print ?