AOE网和关键路径

AOE网

抽象地看，AOE网是一种无环的带权有向图，其中：

• 顶点表示事件，有向边表示活动，边上的权值通常表示活动的持续时间。
• 图中一个顶点表示的事件，也就是它的人边所表示的活动都已完成，它的出边所表示的活动可以开始的那个状态，把这一情况看作事件。

实际工程或复杂事务里的一批相关活动（工作项目、任务等），可以用一个AOE网描述（抽象），然后就可以基于这个网考虑活动的安排了。

 下图给出的AOE网中包括15项活动、9个事件。图中标的：ai:n表示该边代表的活动名ai为，权值为n。图中事件v0表示整个工程可以开始的状态；事件v4表示活动a5、a8已经完成，活动a10、a11可以开始的状态，事件v8表示整个工程结束。

图中显示，活动a0需要7个单位时间完成，活动需要a13个单位时间完成，等等。整个工程开始，活动a0、a1、a2就可以同时开始了，而活动a3、 a4需要等到事件v1发生后才能开始，a5、a6、a7要等到事件v2发生之后才能进行，如此等等。
当活动a12、a13、a14完成时，整个工程就完成了。

AOE网中描述的活动可以并行地进行，只要一项活动（一条边）的前提事件均已发生（也就是说，以该边的始点为终点的所有活动都已经完成），这项活动就可以开始。所以，完成整个工程的最短时间，就是从开始顶点到完成顶点的最长路径的长度（即，路径上各条边的权值之和）。这种最长路径称为AOE网的关键路径，AOE网上最重要的一项计算工作是找出其中的关键路径。

关键路径算法

现在考虑如何开发出一种方法，能确定AOE网G=(V,E)里的关键路径。下面假定顶点v0是G中的开始事件，vn-1是结束事件，w(<vi,vj>)为边<vi,vj>的权。
首先定义几组变量，用它们记录关键路径计算中确定的信息：

1）事件的最早可能发生时间ee[j]显然，这一时间要根据在它之前的事件（顶点）和相关活动（边及其权值）确定，不可能更早发生。ee[j]可以递推计算：
       ee[0]=0（初始事件总在时刻0发生）
       ee[j]=max{ee[i]+w(<vi,vj>)|<vi,vj>E},0jn-1
对每个j，只需要考虑以为vj终点的入边集。
2）事件vi的最迟允许发生时间le[i]。事件的发生有可能推迟更晚，但有些事件过迟发生就会延误整个工程的进度。可以根据已知的值反向地递推计算：
        le[n—l]=ee[n—1]（最后一个事件绝不能再延迟）
        le[i]=min{le[j]+w(<vi,vj>)|<vi,vj>E},0in-2
与上面类似，对每个i，只需要考虑以为始点的出边集。
3）在这个网络中活动ak=<vi,vj>的最早可能开始时间e[k]=ee[i]，以及它的最迟允许开始时间l[k]=le[j]-w(<vi,vj>)（只要该活动的实际开始不晚于这个时间，就不会拖延整个工程的工期）。

活动集合，A={ak|e[k]=l[k]}中的所有活动称为这个AOE网里的关键活动，因为它们中的任何一个推迟开始，都会延误整个工程的工期。E-A中的活动为非关键活动。对于非关键活动，l[k]-e[k]不等于0，这个差表示开始活动的时间余量，这是在不延误整体工期的前提下，活动可以推迟开始的时限。所有完全由关键活动构成的从初始点到终点的路径就是图G中的关键路径。关键路径可能不止一条，可以同时得到。

关键路径算法的python实现

前面讨论中提出的关键路径算法，可以直截了当地翻译为一个Python实现，其中一步步计算出有关信息。在下面的实现中用两个list表示ee和le，它们都以AOE网中的顶点为下标，其中每项记录对应于一个事件的时间。

应该注意，为正确生成ee和le的数据，计算需要按一定的顺序进行。对于ee，只有算出了前面制约事件的ee值之后，才能进一步计算被制约事件的ee值。对le的计算顺序正好相反。不难看到，对ee的可行计算顺序就是AOE网上的拓扑顺序，可以按顶点的任何拓扑序列计算，而对le的正确计算顺序就是逆拓扑顺序，可以按拓扑序列反向计算。因此，在正式开始计算之前，需要先得到该AOE网的一个拓扑序列。
算法实现分为下面几步：
1）生成AOE网的一个拓扑序列。
2）生成ee表的值，应该按拓扑序列的顺序计算。
3）生成le数组的值，应该按拓扑序列的逆序计算。
4）最后，数据组e和1可以一起计算（很简单）。由于只希望得到关键路径，下面并不显式表示这两组数据，而是直接求出关键活动。
在下面算法里，步骤1直接调用前面的拓扑排序过程，步骤2和3定义为独立的内部过程，最后一步直接计算并收集确定的关键活动，函数返回得到的所有关键活动可能表示多条关键路径：

def critical_paths(graph):
    def event_earliest_time(vnum,graph,toposeq):
        ee=[0]*vnum
        for i in toposeq:
            for j,w in graph.out_edges(i):
                if ee[i]+w>ee[j]:           #时间j更晚结束
                    ee[j]=ee[i]+w
        return ee

    def event_latest_time(vnum,graph,toposeq,eelast):
        le=[eelast]*vnum
        for k in range(vnum-2,-1,-1):       #逆拓扑序列
            i=toposeq[k]
            for j,w in graph.out_edges(i):
                if le[j]-w<le[i]:           #事件i应更早开始
                    le[i]=le[j]-w
        return le

    def crt_paths(vnum,graph,ee,le):
        crt_actions=[]
        for i in range(vnum):
            for j,w in graph.out_edges(i):
                if ee[i]==le[j]-w:
                    crt_actions.append((i,j,ee[i]))
        return crt_actions

    toposeq=toposort(graph)
    if not toposeq:             #不存在拓扑序列，失败结束
        return False
    vnum=graph.vertex_num()
    ee=event_earliest_time(vnum,graph,toposeq)
    le=event_latest_time(vnum,graph,toposeq,ee[vnum-1])
    return crt_paths(vnum,graph,ee,le)