最大流问题

问题描述

具体的最大流问题定义、术语以及特性，前人已经描述的很详细了：

• 最大流算法之EK（最短路径增广算法）
• 最大流（网络流基础概念+三个算法）

我们需要注意以及几个方面：

• 流量守恒约束：这个无需多言。
• 后向边（反向边）：尾列在头的前面：1→…→i←j→…→n。引入后向边的目的在于寻找到更多可能的增益路径，而无需回溯后寻找，减少时间复杂度。
• 生成增益路径的方法决定了问题的时间复杂度。——>

增益路径的生成次序如果不恰当，会对方法的效率有巨大的影响。如下：其中U代表某个大正整数。如果沿着路径1→2→3→4对流量0进行增益，得到（b）中值为1的流量；接着沿着路径1→3←2→4对流量0进行增益，得到（c）中值为2的流量。按照上述继续增益，需要2U次迭代才能得到最大的流量值2U。但是，如果沿着路径1→2→4和路径1→3→4增益U仅需要2次迭代。2U和2的巨大差异说明选择高效方法的重要性。

最短增益路径算法

也加先标记先扫描算法。其思想就是按照广度优先查找，用数量最少的边来生成增益路径。

时间复杂度：证明了增益路径的数量不会超过nm / 2,其中，n和m分别是顶点和边的数量。用邻接矩阵，广度优先算法求一条增益路径的时间属于O(n+m) = O(m)，最短增益路径算法的时间效率属于O(nm$^2$)。

伪代码——>

ShortestAugmentingPath(G)
//最短增益路径算法的实现
输入：网络G，具有一个源点1和一个汇点你，每条边(i,j)的容量都是正整数Uij
输出：最大流量X

对网络中的每条边(i,j)，设Xij = 0
把源点标记为∞/-，再把源点加入到空队列Q中
while not Empty(Q) do
  i ← Front(Q); Dequeue(Q)
  for 从i到j的每条边 do //前向边
    if j没有被标记
      Rij ← Uij - Xij
      if Rij > 0
        lj ← min{li,Rij}; 用lj/i+来标记j
        Enqueue(Q,j)
  for 从j到i的每条边 do //后向边
    if j没有被标记
      if Xji > 0
        lj ← min{li,Xji}; 用lj/i-来标记j
        Enqueue(Q,j)
  if 汇点被标记了
    //沿着找到的增益路径进行增益
    j ← n //从汇点开始，用第二个标记反向移动
    while j ≠ 1 //没有到达源点
      if 顶点j的第二个标记是i+
        Xij ← xij + ln
      else //顶点j的第二个标记是i—
        Xji ← Xji -ln
    除了源点，擦去所有顶点的标记
    用源点对Q重新初始化
  return X  //当前的流量是最大的 

例子——>

补充

• 网络中的最大流量值等于它最小割的容量（如：上例中的最小割是{(1,2),(4,3)}，容量是3）
• 所有已标记顶点到未标记顶点的边就构成了最小割
• 如果从未标记顶点到已标记顶点的边，他们一定是空的（边上没有流量）
• 预流算法的最坏时间复杂度可以达到O(nm)

参考：

• 算法设计与分析基础
• 最大流算法之EK（最短路径增广算法）
• 最大流（网络流基础概念+三个算法）