图论（1）

图论

网络流

---

• 反向边 — 改变之前的选择，顺便补充新流 / 交换不同流的去向

• 复杂度证明

  • $FF$ — $O(Emaxv)$ ，特殊情形
  • $EK$/$SAP$（最短路增广）— $O(n{m}^2)$ ：每增广一次某边，增广路长度加2，即增广路条数$O(nm)$。
  • $dinic$ (多路增广) — $O(n^{2}m)$ ：单次增广$O(nm)$ — 当前弧变化$O(m)$ 次；增广$O(n)$ 次。
    • 二分图匹配问题 / 边容量都为1、出/入边唯一的单位网络 中 — $O(m\sqrt{n})$ ：$O(\sqrt{n})$ 次增广，单次 $O(m)$ 。
  • $ISAP$ (将 $dinic$ 改用 预处理+距离标号) — 与 $dinic$ 类似。
  • 预留推进 — $O(n^{2}m)$ ：每个点改高度标号 $O(n)$ 次，每次可多增广 $O(m)$ 次。
  • $HLPP$（用堆选最高点推进）— $O(n^2\sqrt{m})$ ：

最小割

---

• 最大流最小割定理 — 一个流 f 的任意割 cut(S,T) 满足 f 等于正负向割边流量差；最大流中 负向割边流量为0 – 正向的与割取等。 ---- baidu.com
• 无源汇最小割（全局最小割） — 划分点集 的最小删边代价
  • $\mathbf{S}\mathbf{t}\mathbf{o}\mathbf{e}\mathbf{r}$-$\mathbf{W}\mathbf{a}\mathbf{g}\mathbf{n}\mathbf{e}\mathbf{r}$ — $O(n^3)/O(n^2\log n)$ 。
    • 依据：对于一对点 S,T，要么分居两集（此时 cut(S,T)=cut(G) ），要么两点在最小割同一集合（此时与 若割了（S,u）T 与u必不在同一联通块）。
    • 得出做法：1.找到任意一对（S，T）的解。2.将 S、T 合并为一个点，回到步骤1。
    • 步骤1：“排序”，使 ( { v 1 , ⋯   , v n − 1 } , { v n } ) (\{v_1,\cdots,v_{n-1}\},\{v_{n}\}) ({v1​,⋯,vn−1​},{vn​}) 为 $(v_{n-1},v_n)$ 最小割 — 任选一点作 $v_1$ ，每次找到 $f(V,x)$ 最大的 x 加到 V 中。

竞赛图相关

---

• 定义：“有向完全图”。
• 性质 ----
  • 图结构：强连通分量缩点后构成“链状”结构。
  • 强连通分量中三元环存在性
  • $Halmiton$路径存在性 \ $Halmiton$回路存在性（为强连通图时）。
  • 分数序列判定（$Landa{u}^{\prime }sTheorem$）：序列合法充要条件${\sum }_{i\le k}{s}_i\ge \left(\genfrac{}{}{0ex}{}{k}{2}\right)$

$Prufer$序列

---

• 定义：对有标号无根树不断摘取编号最小叶节点（剩下两个点），记录下每次删的点的父亲节点得到的长 $n-2$ 的序列即$Prufer$序列。
• 构造：
  • 堆 - $O(n\log n)$；单指针扫$O(n)$。
• “翻译”：
  • 每次确定一个叶节点。
  • 复杂度同“构造”。
• 性质：
  • $Prufer$序列与有标号无根树建立了双射。
  • 点编号在序列中的出现次数 = 树中点度数 - 1.
• 应用：
  • 有标号无根树 计数：$n^{n-2}$
  • 图联通计数：$n^{k-2}{\prod }_{i=1}^k{s}_i$

矩阵树定理

---

• $Definition$:

  • $D$、$D^{in}$、$D^{out}$ 为图的度数矩阵；$A$ 为图的边权矩阵。
  • $L$、$L^{in}$、$L^{out}$ 为图的 Laplace 矩阵（亦称 Kirchhoff 矩阵）— $L=D-A$
  • 生成树个数 $t(G)$
  • $M_0$ 为 $M$ 去掉一行得到的矩阵。
  • 设$M$为 $n\times m$ 的矩阵。$M[S]$ 为，任取大小为 n 的集合 $S(\subseteq [1,m]\bigcap Z)$，保留 M 的第 $S_i$ 列得到的矩阵（$n\times n$）。
  • $L_0$ 为 $L$ 去掉 i 行 i 列得到的矩阵。

• $Matrix-treeTheorem$：

  • 无向图：$t(G)=\det (L_0)$.

    • 证明思路：

    • 首先，构造矩阵 $M$ — $n\times m$ ，$M_{i,j}=[e_j=(i,v)]-[e_j=(u,i)]$.

      有 $M{M}^T=L$.

      然后，可以发现 $\det (M_0[S])=\pm [S为某生成树边集]$

      最后，由 $\mathbf{B}\mathbf{i}\mathbf{n}\mathbf{e}\mathbf{t}-\mathbf{C}\mathbf{a}\mathbf{u}\mathbf{c}\mathbf{h}\mathbf{y}$定理
      $$\det (L_0)=\sum _S\det (M_0[S])\cdot \det (M_0[S{]}^T)=t(G)$$

  • 有向图：根向树，$t(G)=\det (L_0^{out})$；叶向树，$t(G)=\det (L_0^{in})$ 。

    • 根向树形式证明思路（与无向类似）（叶向树同理）：

    • 首先，构造矩阵 $A,B$，$A_{i,j}=[e_j=(i,v)]-[e_j=(u,i)]$，$B_{i,j}=[e_j=(i,v)]$.

      有 $A{B}^T=L^{out}$.

      然后，可以发现，若 S 为某生成树边集，$\det (A_0[S])=\det (B_0[S])$；

      否则 $\det (A_0[S])\cdot \det (B_0[S])=0$

      最后，
      $$\det (L_0^{out})=\sum _S\det (A_0[S])\cdot \det (B_0[S{]}^T)=t(G)$$

  • 拓展：把边权看作重边数，那么可以计算所有生成树的边权积的和 — 可用乘法原理理解。

  • 关于 $\mathbf{B}\mathbf{i}\mathbf{n}\mathbf{e}\mathbf{t}-\mathbf{C}\mathbf{a}\mathbf{u}\mathbf{c}\mathbf{h}\mathbf{y}$定理 的证明：

    • 先证明： ∀ A , B , C ∈ { n o r d e r   m a t r i x e s } \large \forall A,B,C\in\{n order \, matrixes\} ∀A,B,C∈{nordermatrixes}

• 应用：

  • 除了简单的生成树计数，其实还可以把上述拓展应用于“多项式边权”，同样合法。
  • 这有什么作用呢？可参考**「2020联合省选Day2T3作业题」— 这道题把边权设置为 $A_{i}x+1$ ，那么行列式算出来一次项系数便为生成树边权和**。
  • 另外，结合生成函数的特点，可以发现这个应用的更深层意义 — 幂指数标示了特殊边的选择次数。那么对有关有色边的生成树问题提供了较好的思路。当有多种颜色（真是变态），就可以考虑多设几个变量 x,y,z,…

BEST定理

---

欧拉图上的欧拉回路计数。
$$\forall k,ans=t^{root}(G,k)\mathrm{deg}(k)\prod _{v\in V}(\mathrm{deg}(v)-1)!$$
​ 为什么呢？首先我们考虑图的任意一棵根向树，对于再每个节点我们将以 u 为起点的所有不在根向树上的 ${\mathrm{deg}}_u-1$ 条出边（当然如果 u 为根节点就有 ${\mathrm{deg}}_u$ 条不在根向树上的出边）钦定一个顺序，方便起见我们称这个根向树及这个出边的排列顺序为一个“组合”，显然证明原命题我们只需证明一下两个部分：

• 每个组合唯一对应一条欧拉回路
• 每条欧拉回路唯一对应一个组合

树分治

---

边分治就不讲了（不知它有什么用），有兴趣自己去了解一下。

• 点分治（多路径计数问题大杀器，或是有关两点距离关系的计数问题）
  • 思路：每次找到树重心 x，然后**“处理”**经过 x 的路径；再去掉 x ，对子树分治下去。
  • **“处理”**是将 两条一端在子树、一端在x 的路径 合并为 “经过 x 的路径”。
  • 整个**“处理”**过程的传统思路有两种：
    • 1.按顺序处理每棵子树 — 计算 当前子树 与 已处理子树 的贡献；再把 当前子树信息 与 之前的信息 合并。
    • 2.去重 — 先把 所有 x 到子树的路径 “无脑合并”（不论路径是否有重边）；然后对每个子树，减去在同一子树内“无脑合并”的贡献，即去重。
• 点分树 — 将 x 与每个分治子树的重心 两边，构成一棵树 $T$。
  • 有什么用？
  • 可以发现 $T$ 是与上述点分治过程息息相关的结构，故 我们可以用 $T$ 来分析 点分治的复杂度 或是将它的分治过程与整体联系起来(怪怪的)
  • 经过简单分析，可以发现_一些性质
    • $T$ 的深度不超过 log
    • $T$ 的子树和为 $O(n\log n)$，可以说明点分治的复杂度。从而，若每层分治需要排序之类的带log操作，复杂度为$O(n\log n)$。
  • 它最重要的作用还是在于“与分治过程的联系”：
    • 发现对于每个点 x ，分治时经过它的路径，会被在它点分树上每个祖先代表的分治层计算。
    • 那么如果不是处理全局路径，而是对以 x 为端点的路径进行计算，就可以在点分树祖先处查询（祖先个数是$O(\log )$的）。
    • 它还有特殊优势 — 解决带修问题 （动态树分治）：
      • 思路是，记录下每层分治的信息，对每次修改，维护分治信息的变化 并 考虑它对每层合并的贡献的影响。
      • 一般需要 可删堆 或 权值线段树 维护。

树同构相关

---

• 有 $AHU$算法 与 树哈希 两种判定方式。

• $AHU$算法 — 正确性严格保证。

  • 用于有根树，而无根树判定可以通过 定重心为根 转化为有根树同构判定。
  • 思路是对树的括号序进行调整再比较。比如，用最小字典序括号序比较。但我们无法承担字符串的存储与比较的代价，所以我们需要 用数“代表”括号序。

• 树哈希 — 方便快捷，便于处理多树同构判定，做有根树判定。

  $$\begin{gathered} f_{now}=si{z}_{now}\times \sum f_{son(now,i)}\times see{d}^{i-1} \\ {f}_{now}=⨁f_{son(now,i)}\times seed+si{z}_{son(now,i)} \\ {f}_{now}=1+\sum f_{son(now,i)}\times prime(si{z}_{son(now,i)}) \end{gathered}$$

  • 第一种方法需排序；第二种容易因同构子树出现次数同奇偶出错；第三种应该挺强的。