求解分配问题(一) Kuhn-Munkre算法

分配问题(Assignment Problem)很常见，例如给多个开发者安排开发任务，一个开发者只能分配到一个任务，一个任务也只能由一个人完成，不同的人对不同的任务有不同的完成时间，那么如何进行安排使得总的开发时间最短就是一个典型的分配问题。如果说传输问题是一类特殊的线性规划问题(传输问题定义)，那么分配问题则是一类特殊的传输问题，如果我们把传输问题中所有Supplier和Demander的供应量或需求量都降到1，那么这就变成了一个分配问题

既然分配问题属于传输问题，那么Stepping-Stone算法或者Modified Distribution算法当然也可以直接应用于分配问题，但是我们可以想象一下，对于一个$n\times n$的分配问题，它任何一个可行解的矩阵形式都是只有n个1，而迭代中非退化的条件是1的数量等于$n\times n-1$，这意味着每次迭代计算都要处理退化情况，所以直接应用传输问题的算法效率非常低。文本介绍处理分配问题常用的一种算法，一般称之为匈牙利算法(Hungarian Algorithm)，不过实际上匈牙利算法的原始版本并非处理传输问题，下面介绍的其实是Harold W.Kuhn和James Munkre在此基础上提出的，所以严格说应该叫Kuhn-Munkre算法

算法主流程

先举个案例来方便描述：我们就假设有A,B,C,D四个开发任务，1,2,3,4四个开发者，各个开发者对开发任务的评估时间(单位: 分钟)可以用下面的cost矩阵来描述

Task \ Person	1	2	3	4
A	210	90	180	160
B	100	70	130	200
C	175	105	140	170
D	80	65	105	120

分配(A,1),(B,2),(C,3),(D,4)就是一种可行解，表述成矩阵形式：

Assign	1	2	3	4
A	1	0	0	0
B	0	1	0	0
C	0	0	1	0
D	0	0	0	1

对于上面的cost矩阵，我们通过观察可以发现，对某一个行或者某一列统一减去某个值(例如下表中将第一行统一减去10)，其实并不影响问题的描述，也就是说通过行或列的减值操作，得到新的cost矩阵，在它上面计算的结果和原始的cost矩阵是一样的

Task \ Person	1	2	3	4
A	210-10=200	90-10=80	180-10=170	160-10=150
B	100	70	130	200
C	175	105	140	170
D	80	65	105	120

再考虑，如果某个开发者对一个task的评估时间是零，那么我们当然优先给他分配这个任务；如果每个开发者都有一个互不相同的评估时间是零的task，那么这种分配就是最优的，因为总时间是零。
结合这两个特点，我们可以想到，对各行各列，都减去那一行或列的最小值，这样就可以转化到一个包含多个零的cost矩阵，如果这个cost矩阵中存在没有行列冲突的4个零，那么我们就已经找到了最优解，例如下面的形式，分配(A,1),(C,2),(B,3),(D,4)就是最优分配

Task \ Person	1	2	3	4
A	0	80	170	150
B	100	70	0	200
C	175	0	140	170
D	80	65	105	0

所以算法的第一步就是进行行列的减法操作，先将每一行减去该行的最小值，再将每一列减去该列的最小值，这样就可以产生多个零：

行减(Row Reduction):

Task \ Person	1	2	3	4
A	120	0	90	70
B	30	0	60	130
C	70	0	35	65
D	15	0	40	55

列减(Column Reduction):

Task \ Person	1	2	3	4
A	105	0	55	15
B	15	0	25	75
C	55	0	0	10
D	0	0	5	0

现在我们需要评估一下当前的cost矩阵，是否存在互相独立的4个零，所谓互相独立，指它们中任意两个既不在同一行也不在同一列；如何评估呢，我们在cost矩阵上划线，可以是在行上也可以在列上，用最少的线来覆盖到所有的零，如果刚好是4条，那么就存在相互独立的4个零；如果小于4条，则不存在，这是一个可以数学证明的推论，我们直接接受这个设定。在上面这个cost矩阵中，我们发现只用3条线就可以覆盖到所有的零

这也就意味着，我们找不到相互独立的四个零，当前不存在一个cost为零的最优解；怎么办呢，一个自然的想法就是在划线外的区域产生更多的零，这样划出的线可能达到4条了；那么怎么只对划线外的单元格进行减值操作呢，注意行减或列减操作必须是整行或整列，不能对单个单元格，但是我们可以组合行减和列减达到目的：先对所有非划线行的单元进行减值操作：

然后对所有在划线列上的单元进行加值操作：

这样的最终效果就是对所有划线外的单元减去$h$，对划线的交点单元加上$h$，而这个$h$我们可以取划线外单元格的最小值，即10，所以，减值的结果变成：

Task \ Person	1	2	3	4
A	95	0	55	5
B	5	0	25	65
C	45	0	0	0
D	0	10	15	0

再来评估，发现仍然只能用3条线来覆盖，我们还没找到最优解：

继续对矩阵进行减值操作，得到：

Task \ Person	1	2	3	4
A	90	0	50	0
B	0	0	20	60
C	45	5	0	0
D	0	15	15	0

现在我们发现已经存在四个独立的零了：(B,1),(A,2),(C,3),(D,4)，这就是最优的分配方案
因此，Kuhn-Munkre算法的步骤就是上面描述的过程：

1. Row Reduction: 对cost矩阵的每一行，减去该行的最小值
2. Column Reduction: 对每一列，减去该列的最小值
3. 评估: 在cost矩阵上找出能覆盖所有零的最少数量的划线，如果划线数等于cost矩阵的边长n，那么已经存在最佳分配，退出算法；如果小于n，则继续4
4. 设$h$是所有不在划线中的单元的最小值，将所有不在划线中的单元减去$h$，对划线的交点单元则加上$h$
5. 重复3,4

你可能会对步骤4有疑问，会不会步骤4一直产生不了最优解，导致算法陷入死循环呢? 其实步骤4的计算方式决定了算法一定会在有限步数内终止，证明如下：

• 设$\alpha$是步骤4中的减数，集合$I$是行覆盖线集，$J$是列覆盖线集，在步骤4中，我们是先从$n(n-|I|)$个单元中减$\alpha$，然后给$n|J|$个单元加上$\alpha$，所以总的变化量是$\alpha n$