网络流——容量缩放算法

容量缩放算法是为了加快Ford-Fulkerson算法推送流速度而设计的改进算法
核心思想：保持一个容量参数$\Delta$，每阶段在剩余网络$G_f$中只保留容量$\ge \Delta$的边，把这种剩余网络我们叫做$\Delta$剩余网络，记作$G_f(\Delta )$
算法流程如下：

定理：容量缩放算法终止时，$f$是一个最大流
证明：

• 当$\Delta =1$，$G_f(\Delta )=G_f$
• 算法在$\Delta =1$终止时，没有增广路径
• 当没有增广路径时得到的流为最大流

容量缩放算法时间复杂度分析

几个引理
①一共存在$1+\lfloor lo{g}_{2}C\rfloor$个尺度放缩阶段
因为我们初始化$C/2<\Delta \le C$，容量参数每次迭代按照2倍数减少。
②令$f$为一个$\Delta$放缩阶段结束时，得到的流，则$val(f^{\ast })\le val(f)+m\Delta$，$\Delta$为本阶段开始时的容量参数
我们令集合$A$为剩余网络$G_f(\Delta )$中从源点$s$可达的顶点集合

1. 在$\Delta$放缩阶段，原网络中从$A$往$B$推送流，直到可推送流量小于$\Delta$为止，即$c(e)-f(e)<\Delta$，变换一下
   $f(e)>c(e)-\Delta$，其中$f(e)$为由$A$流向$B$的流值大小。
2. 在$\Delta$放缩阶段，原网络中从$B$往$A$推送流大小$f(e)$小于$\Delta$。反证，如果超过$\Delta$，则剩余网络存在由$A$指向$B$容量大小超过$\Delta$的边，则集合$A$可以进一步扩展，不是我们当前的集合$A$。即
   $f(e)<\Delta$，其中$f(e)$为由$B$流向$A$的流值大小。
   
   第二行放缩，是把被减数减少，减数增大。最后一项是集合$A$到集合$B$进出边总数最多为$m$。任意割容量$\ge$最小割容量$\ge$最大流。即：$val(f^{\ast })\le val(f)+m\Delta$
   3. 每个放缩阶段，增广次数不超过$2m$次。
   上一个阶段结束时的流，可以看作下一个阶段的开始流$f$，因此：
   考虑本阶段开始时的$\Delta$，套用上一阶段结束时的引理2：
   $val(f^{\ast })\le val(f)+m(2\Delta )$
   说明在当前流$f$情况下，最多再推送$m(2\Delta )$一定可以达到甚至超过$\Delta$剩余网络对应的最大流，又每次至少增广$\Delta$个流，因此最多$2m$次一定能达到$\Delta$剩余网络对应的最大流。

总结

一共存在$1+\lfloor lo{g}_{2}C\rfloor$个不同阶段的$\Delta$剩余网络，每个剩余网络最多进行$2m$次增广，每次寻找增广路径需要$O(n+m)$，近似为$O(m)$。总时间复杂度为：$2m\ast m\ast (1+\lfloor lo{g}_{2}C\rfloor )=O(m^{2}logC)$。