NTU 课程笔记： 网络流

1 网络流定义

 

s称为发点（源）

t称为收点（汇）

1.1 s-t 流 

f的value也等于流入f的f(e)的总和 

s-t流又称为可行流

2 最大流问题

找到满足capacity和flow conservation 两个条件的流的最大值

2.1 s-t 割

注意：s一定属于A，t一定属于B

注：只考虑A到B的边，不考虑B到A的边

以上图为例，capacity是10+8+10=28

 2.2 最小割问题：

找到各个割（cut）中，最小的capacity

2.3 最大流问题尝试：贪心算法

我们先试一下贪心算法，看看可不可行

还是以这张图为例：

 

 

 

这时候，通过贪心算法，我们得到的“最大流“是16

 但是，我们会发现，这个图中的最大流是 19

 所以贪心法显然不行

2.4 最大流问题：贪心法拓展

2.4.1 两个场景

我们在贪心法的基础上，考虑别的场景

 

Scenario 1 是前面贪心算法考虑的路径，只有前向传播的边。这个我们也保留。 

在此基础上，我们考虑反向边。

这个场景也是满足flow conservation条件的

 综合一下，我们有：

2.4.2 残差图 

 

 

 2.4.3 增广路径 augmenting path

 

 2.4.4 Ford-Fulkerson Algorithm

 

2.4.5 Ford-Fulkerson Algorithm 举例

还是以这张图为例：

 

 到这一步还是和前面的贪心是一样的（前面的贪心到这里就结束了

 我们先构建此时的residual graph

 然后发现s->b->a->c->t是一条增广路径，且其中的bottleneck是2。

于是进行路径增广：

 

然后再更新residual graph（标蓝的这几个方向或者数值发生了改变）

 （此时的val不是16，是18）

 此时会有路径s->b->d->a->c->t 。其中 bottleneck为1

然后我们再更新残差图，发现已经没有增广路径了。 算法结束

 对照我们之前说的最大流19，发现是一样的

3 流和割之间的关系 ：flow value lemma

 蓝色的表示流出A的，黄色的表示流入A的，他们的差就是val(f)  

3.1 证明

 

3.2  弱相关性 

 

 

3.3 最大流&最小割 定理

证明： （1推2，2推3，3推4）

 

因为 val(f)都是小于等于cap(A,B)的，而这里取等了。所以此时的f是最大流 

如果有增广路径的话，Ford-Fulkerson Algorithm 就可以继续进行。网络流还可以继续增加。

所以此时不是最大流 

 4 Ford-Fulkerson algorithm的时间复杂度

        这个记结论吧 O(mnC)。  但是这个和斐波那契数列那时候的情况一样，不是一个多项式级的算法。（因为输入的size是m,n,logC)

4.1 算法的改进

        我们需要合理地找一条合适的增广路径，使得：

（1）可以有效地找到这条增广路径

（2）算法迭代次数少

4.1.1 找有最多（或者近似于最多）bottleneck capacity 的增广路径

时间复杂度降至

4.1.2 最短增广路径

（1）在整个算法的过程中，最短路径的长度不减

（2）在最多m次路径增广之后，最短增广路径的长度严格增加

最短增广路径算法的时间复杂度降至