2019.8.1 金华正睿集训总结Day5

8.1

上午

网络流

定义

一个流网络 $G=(V,E)$ 为一张满足以下条件的有向图：

1.每一条边有一个非负容量，即对于任意E中的 (u,v) , 有 $c(u,v)\ge 0$

2.如果G中存在边 (u,v) ，那么不存在 (v,u) 。我们将图中不存在的边的容量定为0。

3.图中含有两个特殊节点：源 s 与汇 t。

一个流可看做是一个从VxV到R的映射，满足下面两条性质：

1.容量限制： 对于任意的 u,v，$0\le f(u,v)\le c(u,v)$

2.流量守恒：对于任何非源汇的中间节点u,我们有

$$\sum _{v\in V}f(v,u)=\sum _{v\in V}f(u,v)$$

最大流

最大流问题，即是找出一个满足上述条件的f，使得 ${\sum }_{\nu \in V}f(s,v)$ 被最大化

最大流问题 -> 带反向边的最大流问题

多源汇最大流问题

一个流f的流量|f|定义为：
$$|f|=\sum _{v\in V}f(s,v)-\sum _{v\in V}f(v,s)$$
（由于在图G中不存在反向边，因而在上面的讨论中只需要最大化前半部分。 ）

最大流建模

• 是否存在从s到t的可经过相同节点不经过相同边的两条路径？

• 是否存在从s到t的不可经过除s、 t外相同节点的两条路径？

• 是否存在从s到t的不可经过除s、 t外相同节点和相同边的两条路径？

点容量的解决办法：拆点，将容量限制转化到边上。

最大流算法-从几个基本想法开始

• 残量网络

• 对于网络G，其残量网络G_f与G的差别在于每条边的边容量修改为G中边容量减去当前流的该边流量。

具体来说，$c_f(u,v)=c(u,v)-f(u,v)$

• 另外，残量网络中还包含原图中所有边的反向边，容量等同于正向边在f中当前流量，用于“反悔” 时将流送回起点：

$c_f(\nu ,u)=f(u,\nu )$

• 增广

• 令f’为残量网络G_f上的一个流
$$\left(f\uparrow f^{\prime }\right)(u,v)=\{\begin{array}{ll}f(u,v)+f^{\prime }(u,v)-f^{\prime }(v,u)& \text{ if }(u,v)\in E\\ 0& \text{ otherwise }\end{array}$$

• 引理1 : 增广后的网络的流量等于两个流流量直接相加。

$\left|f\uparrow f^{\prime }\right|=|f|+\left|f^{\prime }\right|$

证明：

a.根据两条限制证明是个流

b.流量相同

• 增广路

• 残量网络当中从s到t的一条简单路径

• 增广路p的流量定义为
c f ( p ) = min ⁡ { c f ( u , v ) : ( u , v )  is on  p } c_{f}(p)=\min \left\{c_{f}(u, v) :(u, v) \text { is on } p\right\} cf​(p)=min{cf​(u,v):(u,v) is on p}
• 那么显然，若是将p上的每条边的流量均赋为c_ f( p )，所形成的依然是满足条件的原图的一个流。

• 结论1：增广后流量增加。 令f_p为当前流f的残量网络中找到的一增广路，则
$$\left|f\uparrow f_p\right|=|f|+\left|f_p\right|>|f|$$
• Q：如何能证明当我们找不到增广路时原图达到最大流？

• 在匹配算法中，可以通过对称差分两个匹配来证明

• 割

• 为一个对于点集V的划分，将V划分为两个集合S与T，其中源点s在S中，汇点t在T中。对于一个流f而言，割（S， T）间的网络流定义为
$$f(S,T)=\sum _{u\in S}\sum _{v\in T}f(u,v)-\sum _{u\in S}\sum _{v\in T}f(v,u)$$
• 割（S， T）的容量定义为：
$$c(S,T)=\sum _{u\in S}\sum _{v\in T}c(u,v)$$
• 对于一个网络而言，最小割为所有的割当中容量最小的那个。

引理2：对于任意流f，任意割之间的网络流量不变。 即
$$f(S,T)=|f|$$
• 证明：可由流量守恒导出。

• 结论2：任意流f的流量不超过任意割的容量。 即

$|f|\le c(S,T)$

• 证明：由引理2显然。
$$\begin{array}{rl}|f|& =f(S,T)\\ & =\sum _{u\in S}\sum _{v\in T}f(u,v)-\sum _{u\in S}\sum _{v\in T}f(v,u)\\ & \le \sum _{u\in S}\sum _{v\in T}f(u,v)\\ & \le \sum _{u\in S}\sum _{v\in T}c(u,v)\\ & =c(S,T)\end{array}$$

• 定理1.最大流最小割定理： 对于一个网络G，下面三个命题总是等价

• 流 f 是 G 的最大流。

• 当前流 f 的残量网络 G_f 上不存在增广路。

• 存在某个割使得 |f| = c(S, T) 成立。由结论2可知，满足条件的割必定是最小割。

• 证明： (1) -> (2) 反证法，可由结论1直接导出矛盾。

(2) -> (3) 构造点集S为s在残量网络上能够到达的点集， T=V-S，那么t一定在T中，进而(S,T)是一个割。

考虑S、 T间的任意点对(u,v)，如果(u,v)在原网络中存在，那么必定有f(u,v)=c(u,v)，

否则该边会在残量网络中出现从而将u,v放入同一个连通块。

如果(v,u)在原网络中存在，那么必定有f(v,u)=0.
$$\begin{array}{rl}f(S,T)& =\sum _{u\in S}\sum _{v\in T}f(u,v)-\sum _{v\in T}\sum _{u\in S}f(v,u)\\ & =\sum _{u\in S}\sum _{v\in T}c(u,v)-\sum _{v\in T}\sum _{u\in S}0\\ & =c(S,T)\end{array}$$
由引理2得， |f|=c(S,T)。

• 证明： (3) -> (1)，由结论2知， |f|<= c(S,T)，故当等号取到时，等式右边必然是最小割，等式左边必然是最大流。

最大流算法-Ford-Fulkerson算法

• 正确性显然。 While内部的复杂度为 O(|E|)，而寻增广路次数最高可达 O(|f * |)，其中 f * 为 G 的最大流。总复杂度 O(|E||f *|)。

最大流算法-Edmonds-Karp算法

• 在Ford-Fulkerson算法的基础上，将寻增广路的过程优化为每次寻“最短”增广路的过程，其中路径长度定义为从s到t需要经过的边条数。

• 引理3 : 在EK算法中，令d(u)表示残量单位网络上从s到u的最短路距离。那么对于V-{s,t}中的任意u，在每次增广后d(u)不降。

• 证明: 考虑两次相邻的增广前后的流，从中选取满足d(u)降的且距离最近的u进行分析，并导出矛盾。

• 定理2: 在EK算法中，增广的次数是O(VE)的。

• 证明: 考虑在残量网络的一条增广路中充当“瓶颈”的边，在该次增广后必定会从残量网络中消失。考虑证明每条边最多消失O(V)次。加上一次增广必定会有至少一条这样的边，故最多增广O(VE)次。

• 故EK算法的总复杂度为O(VE^2)

下午

最大流算法-Dinic算法

• 在Edmonds-Karp算法的基础上，将每次寻找一条增广路优化为每次计算出一个增广网络。

• 在残量网络中，若两个端点间的最短路恰好差1，就称之为可行边。

• 由所有可行边构成的图（最短路图），称为可行网络。

• 在可行网络上的无法再扩充流量的流，称为阻塞流，注意不必是残量网络的最大流。

• 增广完一个阻塞流后， d(t)必增，因而最多增广O(V)次。

• 增广单次的实现和时间复杂度：（注意加上所有的优化）

• 一个节点的dfs至多被调用O(E)次。

• For循环外部的时间复杂度之和为O(VE)

• For循环执行次数可分为：只经过一次的和经过多次的

• 经过一次的复杂度之和为O(E)

• 经过多次的次数之和为O(VE)。

• 因此加了左边所有优化的dinic总复杂度为O(V^2E)

• 上面在某个可行网络上找阻塞流的算法过程

• 是按某种顺序找增广路，一旦找到就直接增广了

• 如果我们能够支持：

• 快速加边

• 找到增广路后查询瓶颈大小（路径最小值）

• 增广（路径加）

• 在残量网络中删边

• ……

• 仿佛一个动态树就可以了

阅读材料：

• https://www.arl.wustl.edu/~jst/cse/542/text/sec19.pdf

• http://courses.csail.mit.edu/6.854/16/Notes/n10-blocking_flows.html

• 可以使用动态树优化找阻塞流并增广的过程，迭代次数不变，因而可以达到**O(VElogV)**的复杂度。

• 单位容量网络：

• 所有的存在的边容量均为1的网络

• 引理4 : dinic在单位容量网络中至多增广O(min(E^{1/2},V^{2/3}))次

• 证明： d（t）：起点到终点的最短路

• a. 增广次数不超过 O(E^{1/2})

• 分别考虑 d(t)<=E^{1/2} 和 d(t)>=E^{1/2} 时的情况

• 前者由于阻塞流增广后的性质，每次自然会增，因此只需要迭代不超过E^{1/2}次就可到达后一种情形。

• 后者考虑层之间的割。由于存在超过E^{1/2}层，因而必有两层间边数不超过E^{1/2}，由此可推出残量网络最大流不超过E^{1/2}。由于每次增广必会增加流量，故只需增广不超过**E^{1/2}**次。

• b. 增广次数不超过 O(V^{2/3})

• 同理(考虑连续的两层之间的节点个数均不超V^{1/3}前后的情况)。

• 结论3 : dinic在单位容量网络中寻找阻塞流可达O(E)复杂度。

• 证明：依然可以分两部分

• Dfs调用 — 每个点所在增广路数量之和

• For循环 — 每条边所在增广路数量之和

• 因此，在单位容量网络当中， dinic的时间复杂度可达O(E min(E^{1/2},V^{2/3}))

• 单位网络

• 对于V-{s,t}中的任意一节点，都满足下面两条之一：

• a. 仅存在一条入度为1的边

• b. 仅存在一条出度为1的边

• 结论4 : dinic在单位网络中效率可达O(V^{1/2}E)

• 证明： 与之前类似。

• 应用：在使用dinic跑二分图匹配时的复杂度可分析到O(mn^1/2)

最小割的简单例子：最大权闭合子图

• 定义

• 给出一张有向图，其中每个点都有一个点权。

• 任务是选择一个权值和最大的子图，使得每个点的后继都在子图当中。

• 建图

• 令S集表示取， T集表示不取，原图中(u,v)连+oo的边。

• s连正权点，容量为权；负权点连t，容量为权的相反数。

• 正权点权值和-最大流即为答案。

• 证明

• a. 合法性：最终的S集导出一闭合子图

• b. 最优性：导出的为最大权闭合子图

• c(S,T) = min(不选的正权点边权和 - 选了的负权点边权和)

• ANS = 所有正权点边权和 – min(不选的正权点边权和 - 选了的负权点边权和)

= max(选了的正权点的边权和 + 选了的负权点边权和)

例题

总结：

网络流吧，讲的内容需要有些基础

显然我是没有的

所以听的不是很懂

表示这是个大坑

慢慢补吧

然后，这个博客里基本是课件内容

部分纸质证明来自mjy老师 （懒得打了）