图论学习--5匹配与因子分解（思维导图）

匹配与因子分解

二部图的匹配问题

图的匹配与Bergen定理

• 匹配

  • M是图G的边子集，且M中的任意两条边没有公共顶点，则称M是G的一个匹配(边独立集更好理解一些)

  • 匹配M中的端点为M饱和点

    • 不在M中的端点是M非饱和点
    • 这里饱和可以音解为包含

  • 最大匹配

    • 包含边数最大的M

  • 完美匹配

    • 包含了所有顶点的匹配

      • 图不一定存在完美匹配
      • 完美匹配一定是最大匹配，最大匹配不一定是完美匹配

  • M交错路

    • M中的边和非M中的边交错形成的路为M交错路。

    • 如果M交错路的起点与终点是M非饱和点，则称为M增广路

      • 注意是G的M增广路，里面两个参数，G与M

• Berge定理

  • Berge定理：G的匹配M是最大匹配，当且仅当G不包含M增广路

    • 很好理解，因为出现增广路的话，在这条路里，非M边数大于M边数，则增广路的边集-M边集能得到更大的边集，so

二部图的匹配

• ppt上用了研究生找工作的例子来介绍，也就是X、Y两个类别相互匹配，每个研究生一份工作，相互之间不冲突，每份工作一个研究生来做，相互之间不冲突。工作与研究生之间相互匹配，所以匹配的实际应用很符合“匹配”这个词的意思。同时二部图又很完美的契合了匹配中两条边相互独立的机制

• 二部图匹配存在性判定-Hall定理

  • Hall定理：G=(X,Y)为二部图，则G存在饱和X每个顶点的匹配的充要条件是：对于任意S包含于X，有|N(S)|≥|S|

    • 这里S是一个子集合，而不一定是单纯的一个点，当然，如果有点不符，那肯定是直接不行的，因为这里是充要条件哦
    • 对于这一定里的理解，其实也很简单，就是你想要X饱和，那么X中每个点都至少有一个边和Y中的点相连呗，那么邻居数大于点数就太正常不过了，然后这里为什么是大于不是等于呢，这个···你傻呀，这里是存在匹配，而不是该图就是匹配···
    • 使用时，从单点集到二元点集到三元点集一个一个来试
    • 证明：必要性：要实现X饱和，则X的每个顶点在Y中至少有一个邻接点，so，|N(S)|≥|S|成立
    • 证明：充分性：反正，若满足条件，但不存在饱和X的匹配，令M‘是G的一个最大匹配，但不饱和X的顶点u，又令Z是通过M’与点u相连形成的所有M‘交错路上的点集，M’是最大匹配，根据Berge定理，u是唯一一个非饱和点。令S=X∩Z，T=Y∩Z，显然，S-{u}中点与T中点在M‘下配对，即|T|=|S|-1<|S|，即|N(S)|=|T|=|S|-1<|S|，这与条件矛盾，所以得证
    • Hall定理是在偶图中求最大匹配算法的理论基础

    • 推论：若G是k正则二部图，则G存在完美匹配

      • 因为K正则，所以|X|=|Y|，然后Hall定理···显然

二部图的覆盖

• 图的点覆盖

  • G的一个顶点子集K，使得G的每条边都至少有一个端点在K中，称K为覆盖
  • 最小点覆盖，点数最少，点数记为β(G)

  • 定理：设M是G的匹配，K是G的点覆盖，若|M|=|K|，则M是最大匹配，而G是最小点覆盖

    • 证明：设M'与K’分别是G的最大匹配和最小点覆盖，由匹配和电覆盖定义有|M'|≤|K'|，所以有|M|≤|M'|≤|K'|≤|K|，所以，当|M|=|K|时，有|M|=|M'|，|K'|=|K|，即M是最大匹配，G是最小覆盖

  • Konig定理：在二部图中，最大匹配的边数等于最小点覆盖的顶点数

    • 这个证明暂时不看了，之后需要的话再补

Tutte定理

• 图G有完美匹配当且仅当堆V的任意子集S包含于V(G)，有o(G-S)≤|S|

  • o(G-S)表示奇分支数目
  • S是V(G)任意子集

• 这里也是先不慌看

  • 着重把后面的先看完，这里可以补

因子分解

1因子分解

• 将一个图分解成若干边不重的子图之并

• 因子Gi，是只至少包含G的至少一条边的生成子图。图G的k因子，是值图G的k正则生成子图

  • 基本是懂了1因子是什么了，所谓1因子，它是1正则的图G的生成子图，这里注意是生成子图，它是个子图，不是边集，当然，它看起来似乎很像是边集那样

• 因子分解是指将图G分解为若干个边不重的因子之并

• 有完美匹配一定有1因子，但是不一定有1因子分解

  • 即存在1因子，但是不一定能够分解成1因子的并

• 定理1：K2n可1因子分解

  • 2n不变，其他点像履带一样转

• 每个k正则二部图G是可1因子分解

• 1因子分解的个数与完美匹配的数目是两个不同的概念

  • 这里的个数是指的是分解的方式，而不是分解的完美匹配结构的个数

• 定理2：具有H圈的三正则图可1因子分解

  • 找出H圈，则剩下的每个点度为1，就是一个1因子，然后因为三正则图，所以点数为偶数，则H圈是偶圈，则是两个1因子

• 定理3：若三正则图有割边，则它不能1因子分解

  • 假设三个1因子为G1，G2，G3，割边e在G1里，G-G2显然每个分支都是圈，所以e在圈中，e是割边，矛盾，故得证
  • 没有割边的三正则图一定存在完美匹配

2因子分解

• 分解成n个2因子的并
• G的一个H圈一定是G的一个2因子，但是一个2因子不一定是G的H圈，2因子可以不连通，例如两个圈是一个2因子
• G能进行2因子分解，其顶点度数必为偶数，但其不一定连通，所以可能不是欧拉图

• 定理4：Walecki K2n+1可2因子分解

  • 对于K2n+1，Pi=vivi-1vi+1vi-2vi+2...i-()

  • 下标取为mod2n的运算

    • 注意是2n哦，不是2n+1

  • 生成圈Hi为v2n+1与Pi的两个端点连线

森林因子分解

• 来衡量边的稠密程度
• 荫度，边不重的森林因子的最少数目
• 了解

最大、最优匹配算法

匈牙利算法

• |X|=|Y|的二部图中寻找完美匹配

• 思想

  • 从任一初始匹配M0出发，通过寻求一条M0增广路P，令M1=M0△E(P)，得到比M0更大的匹配M1

    • 即在增广路上，非M0的的边是一个更大的匹配
    • 严重依赖于Berge定理

• 如何寻找M可扩路

  • M交错树

    • 找一颗以非饱和点u的M交错树H
    • 对于v∈V(H)，(u,v)路是M交错路
    • 树上的点不能重复哦

    • 情形1：H包含除u外的M非饱和点（存在增广路）

      • 更新匹配

    • 情形2：除点u外，H中所有点为M饱和点，且在M上配对

      • 令S=V(H)∩X，T=V(H)∩Y，显然T包含于N(S)

      • 若N(S)=T，则没有完美匹配

        • 因为S-{u}中点与T中点配对，则|N(S)|=|S|-1<|S|，由Hall定理，G中不存在完美匹配

      • 若T包含于N(S)

        • 则一定存在一点y，然后y一定连接到点x（这里x是个代指，因为y不孤立），然后x一定饱和（因为H中除了u，其他都饱和），xy一定不在M中，（假设xy在M中，那么y就一定是在T中的，所以xy不在M中）。

          • 此时y要么是饱和点，则得到情形2

            • 继续判断T和N(S)

          • 此时y要么是非饱和点，则得到情形1

            • 更新匹配

    • 算法流程（重点在这）

      • 设M是初始匹配. H是扎根于M非饱和点u的交错树.令：S=V(H)∩X, T=V(H)∩Y. (a) 、若M饱和X所有顶点, 停止. 否则, 设u为X中M非饱和顶点, 置S={u}, T=Φ; (b) 、若N(S)=T, 则G中不存在完美匹配. 否则设 y∈N(S) – T. (c) 、若y为M饱和点, 且yz∈M, 置S=S∪{z}, T=T∪{y}, 转(b). 否则, 设P为M可扩路, 置M1=MΔE(P), 转(a).

        • 然后，每换一个u点，S和T都要置零
        • 然后S中每加进一个点后，都要更新N(S)
        • 然后H每扩展一下，都要更新S和T

    • 总结一哈：直接看算法步骤就行了，看推导过程，推导的十分繁琐，且麻烦，而且不考，真的白看

      • 最多|X|词可以找到完美匹配

最大匹配

• 问题：在一般二部图上求最大匹配M

• 算法流程

  • 设M是G=(X, Y)的初始匹配. (1) 置S=Φ,T=Φ; (2) 若X−S已经M饱和, 停止；否则, 设u是X−S中的一非饱和顶点, 置S=S∪{u}. (3) 若N(S)=T, 转(5); 否则, 设y ∈N(S)−T. (4) 若y是M饱和的, 设yz ∈ M, 置S=S∪{z}, T=T∪{y}, 转(3); 否则, 存在(u, y)交错路是M可扩路P, 置M=MΔE(P), 转(1). (5) 若X−S=Φ, 停止;否则转(2).

• 和匈牙利算法的区别

  • 主要在于，匈牙利算法一旦确认没有完美匹配，即N(S)=T时，就会终止，而最优匹配算法是选择再加进一个X的非饱和点，硬着头皮继续算

最优匹配算法

• 针对边赋权完全二部图，求出具有最大权值的完美匹配
• Kn,n有n！个完美匹配

• 可行顶点标号

  • 边有权，顶点也弄个叫标号，和权区分
  • 每个边都要满足l(x)+l(y)≥w(xy)

  • 一种可行顶点标号的方式：（当然，你可以把每个顶点标号超大，可行，但没实际意义）

    • l(x)=max w(xy) 若x∈X
    • l(y)=0,若y∈Y

• 相等子图

  • l是赋权完全二部图G=(X,Y)的可行顶点标号，令：El={xy∈E(G)|l(x)+l(y)=w(xy)}，称Gl=G[El]为G的对应于l的相等子图

    • 即，可行顶点标号条件满足相等的边构建的子图为相等子图

  • l为赋权完全二部图G的可行顶点标号，若相等子图Gl有完美匹配M‘，则M’是G的最优匹配

    • 这就用到了匈牙利算法

• 问题出现在

  • 对于不同的l，Gl不一定都有完美匹配，所以如何找到含有完美匹配的Gl才是重点

  • kuhn

    • 如果X是M饱和的，则M是最优匹配
    • 否则，令u是一个M非饱和点，当NGi(S)=T时，加进来新的边使得u能够饱和

    • 计算：al=min{l(x)+l(y)-w(xy)}

      • 这里的x∈S，y不∈T
      • al>0
      • 把和S有关的非T有关的边放进来

    • 然后针对S和T的l，S的-al，T的加上al，其他不变

      • 加的时候是v∈S和T
      • 这样对于不属于T的，因为S已经-al，所以总体-了al，对于属于T的，一个加al，一个减al，相当于没变

    • 之后在新的标号下重新寻找完美匹配