图论(详)

最新推荐文章于 2024-07-20 16:34:53 发布

置顶 Exelite

最新推荐文章于 2024-07-20 16:34:53 发布

阅读量175

点赞数

分类专栏：学习笔记文章标签：图论

本文链接：https://blog.csdn.net/weixin_45010817/article/details/117827837

版权

学习笔记专栏收录该内容

4 篇文章 0 订阅

订阅专栏

图论_（2）

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
- $F F$ — $O(E\,max\,v)$
- $E K$ / $S A P$ （最短路增广）— $O(nm^2)$ ：
  - 一条边（或其反向边）每满流一次，两次的增广路长度至少多加2：
    - 考虑增广路1 s-u-v-t （ $\large dis=dis_{s-u}+dis_{v-t}+1$ ），(u,v) 满流；下一次经过 (u,v) 的增广路2 s-v-u-t 中满足 $\large dis'_{s-v}> dis_{s-u}$ 与 $\large dis'_{u-t}> dis_{v-t}$ （否则增广路1 不满足最短路增广），则有 $\large dis'=dis'_{s-v}+dis'_{u-t}+1\geq dis+2$ . 得证。
  - 可得增广路条数 $O (n m)$ 。且求一条增广路 $O (m)$ 。
- $d i n i c$ (多路增广)
  - 一般情况： $O(n^2m)$
    
    证明:
    
    单轮(多路)增广 $O (n m)$ — 所有当前弧变化总共 $O (m)$ 次，单次 $O (n)$ .
    
    增广 $O (n)$ 轮.
  - 在边权均为1时， $O(min(n^{\frac{2}{3}},m^{\frac{1}{2}})\cdot m)\approx O(nm)$
  - 二分图匹配问题 / 边容量都为1、出/入边唯一的单位网络 中 — $O(m\sqrt n)$
    - 证明：
    - $\sqrt n$ 次增广后，随便找一个最大匹配与当前匹配比较（异或），会得出一些环和点不相交链（增广路）；不理会环；这些链/增广路的长度> $\sqrt{n}$ ，且经过点数 $O (n)$ ，故还剩增广路条数/匹配数 为 $O(\sqrt n)$ 的；又接下来每次增广必增加匹配数，所以有 $O(\sqrt n)$ 轮增广。
    - 单轮增广 $O (m)$ — 因为边权都为1，最多每条边经过一次。
    - 即可得出结论。
- $I S A P$ (将 $d i n i c$ 改用预处理+距离标号) — 与 $d i n i c$ 类似。
- 预留推进 — $O(n^2m)$ ：每个点改高度标号 $O (n)$ 次，每次可多增广 $O (m)$ 次。
  - 做法：每次找一个“溢出点”，从某一条未满流边 流向一个高度恰小1的点；适时修改高度标号。
  - 初始化：源点把每条出边流满。
- $H L P P$ （用堆选最高点推进）— $O(n^2\sqrt m)$ .

有无源汇、有无上下界费用流

(…) gugugu

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
- 证明
  
  引理1：任意一个流小于等于任意一个割
  
  考虑一个流和一个割，流的大小等于 $S - T$ 流大小减去 $T - S$ 流大小，所以任意一个割必然大于等于任意一个流。
  
  推论：如果有一个流的大小等于一个割的大小，那么这个流是最大流，这个割是最小割。
  
  显然
  
  定理：最大流等于最小割
  
  考虑最大流之后的残余网络，我们把与源点可达的点归到S集，其余归入T集，因为最大流时不存在增广路，所以一定可以这样划分出S集合T集，此时正向边一定是满流的，逆向边一定是零流的，那么此时割的大小等于最大流的大小。
  
  由引理可知，这就是最小割。
无源汇最小割（全局最小割） — 划分点集 的最小删边代价
- $\bold{Stoer}$ - $\bold{Wagner}$ — $O(nm+n^3)/O(nm+n^2\log n)$ 。
  - 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 $(\{v_1,\cdots,v_{n-1}\},\{v_{n}\})$ 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。
  - “步骤1”的正确性证明：
    
    设 $\large (S_1,S_2)or(u,v)\,denotes \,\,the\,\,minest\,\,cut$
    
    考虑归纳：归纳条件 – 对于任意图G，“排序”出的前n-1个点满足 — G对这n-1个点的导出子图G’ 中， $(\{v_1,\cdots,v_{n-2}\},\{v_{n-1}\})=(v_{n-2},v_{n-1})_{G'}$
    
    对于新加入的 $v_n$ ，由于 $v_{n-1},v_n)$ 中一定会割掉两点间的连边，故可先删去 G中的这些边得到G’。
    
    设 $G_n$ 为G’ 对 $\{v_1,\cdots,v_n\}$ 的导出子图。
    
    首先考虑证明： $\large \tag1(\{v_1,\cdots,v_{n-1}\},\{v_{n}\})\leq(v_{n-2},v_{n})_{G_n}$
    
    G’ 对 $\large \{v_1,\cdots,v_{n-2},v_{n}\}$ 的导出子图A考虑，发现它的“排序”结果与原顺序相同，由归纳条件有：
    $\large (\{v_1,\cdots,v_{n-2}\},\{v_{n}\})=(v_{n-2},v_{n})_{A}$
    又因 $v_{n-1},v_n$ 间无边，所以可以加入 $v_{n-1}$ 得到图 $G_n$ ，就有
    $\large (\{v_1,\cdots,v_{n-1}\},\{v_{n}\})=(\{v_1,\cdots,v_{n-2}\},\{v_{n}\})=(v_{n-2},v_{n})_{A}\leq(v_{n-2},v_n)_{G_n}$
    
    然后考虑证明： $KaTeX parse error: \tag works only in display equations$
    
    由归纳条件有： $\large (\{v_1,\cdots,v_{n-2}\},\{v_{n-1}\})=(v_{n-2},v_{n-1})_{G_{n-1}}$
    
    由排序条件： $\large (\{v_1,\cdots,v_{n-2}\},\{v_{n}\})\leq(\{v_1,\cdots,v_{n-2}\},\{v_{n-1}\})$
    
    再加入 $v_{n-1}$ ，就有： $\large (\{v_1,\cdots,v_{n-1}\},\{v_{n}\})=((\{v_1,\cdots,v_{n-2}\},\{v_{n}\})\leq(v_{n-2},v_{n-1})_{G_{n-1}}\leq(v_{n-2},v_{n-1})_{G_n}$
    
    最后引入引理
    
    $L e m m a$ ：若图G中有三点A,B,C，则有 $(A,B)_G\geq\min\{(A,C)_G,(B,C)_G\}$
    
    证明：
    
    不妨设割最小的一对是 $A,B)_G$ ，且C 在这个割中的 B 这一侧，
    
    此时，A,C也被割了（分居割的两集），则
    
    $(A,B)_G\leq(A,C)_G\leq(A,B)_G\Rightarrow (A,C)_G=(A,B)_G$
    
    即，三对割中至少有两个最小值。得证。
    
    由引理与式(1)、式(2)，
    $\large (\{v_1,\cdots,v_{n-1}\},\{v_{n}\})\leq\min\{(v_{n-2},v_n)_{G_n},(v_{n-2},v_{n-1})_{G_n}\}\leq(v_{n-1},v_n)_{G_n}$
    证毕。
  - 步骤2：合并 $v_{n-1},v_{n})$ 为一个点，把他们的连边也合并(边权要相加) — 这样，在之后求的最小割中，这两点都会在同一个集合里。
  - 复杂度取决于“排序”的复杂度。

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 — 所有点可以排成一条链，且每个点只向后连边 — 可用往链上不断加点证明。
- 每个至少三个点的强连通分量中三元环存在性：
  - 已知存在环，然后对于每个多于三个点的环，加上它的弦会形成规模更小的环，直到没有弦（只剩三个点）。
- $H a l m i t o n$ 路径存在性 \ $H a l m i t o n$ 回路存在性（为强连通图时）：
  - 路径存在性可以用增量法构造。
  - 回路存在性证明：
    - 先找到一条H路径 $S\rightarrow T$ ，
    - 因为强连通，所以必有点 x 向 S 连边， $S\rightarrow x\rightarrow S$ 构成一个环。
    - 考虑路径中下一条边( $x\rightarrow y$ )，若 y 向环上有连边，则可并入环中；若连边均指向 y，继续考虑下一条边；
    - 由于图强连通，所以一定会出现一个点把环伸出的这条链 $x\rightarrow y\rightarrow \cdots$ 并入环中。
    - 即可得一条哈密顿回路。
- 分数序列判定（ $\,Theorem$ ）：分数序列(竞赛图中出边表示胜利得分)合法的充要条件： $s_i\leq s_{i+1},S_k=\sum_{i\leq k}s_i\geq\binom{k}{2}\&\& S_n=\binom{n}{2}$
  - 必要性显然。
  - 证明充分性：
  - 可以构造一个 s’ ，使得 $S'_k=\binom{k}{2}$ — 只要每个点向编号比它小的点连边就行了。
  - 然后可以使 $v_b\rightarrow v_a$ 改向为 $v_a\rightarrow v_b$ ，则 $s'_a++,s'_b--\rightarrow S_{a\cdots b-1}++$
  - 可以调整出上述 s.

$P r u f e r$ 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 $P r u f e r$ 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。
- 复杂度及分析同“构造”。
性质：
- $P r u f e r$ 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

$D e f i n i t i o n$ :
- $D$ 、 $D^{in}$ 、 $D^{out}$ 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。
$\,\, Theorem$ ：
- 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 $MM^T=L$ .
    
    然后，可以发现 $\large\det(M_0[S])=\pm[S为某生成树边集]$
    
    最后，由 $\bold{Binet}\!-\!\bold{Cauchy}$ 定理
    $\large\det(L_0)=\sum_S\det(M_0[S])\cdot\det(M_0[S]^T)=t(G)$
- 有向图：根向树， $t(G)=\det(L^{out}_0)$ ；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 $AB^T=L^{out}$ .
    
    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，
    $\large\det(L_0^{out})=\sum_S\det(A_0[S])\cdot\det(B_0[S]^T)=t(G)$
- 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 $\bold{Binet}\!-\!\bold{Cauchy}$ 定理的证明：
  - 如果有基础结论： $\large \forall A,B,C\in\{\text{n-order} \, matrixes\},\det(C)=\det(A)\cdot\det(B)$
    
    那么然后展开定理的式子
    
    左式：
    $\large\det(C)=\large \sum_{P}(-1)^{\lambda(P)}\prod_{i}C_{i,P_i}\\ =\large \sum_{P}(-1)^{\lambda(P)}\prod_{i}\sum A_{i,k}\cdot B_{k,P_i}\\ =\large \sum_{P}(-1)^{\lambda(P)}\sum_{S}\prod_{i} A_{i,S_i}\cdot B_{S_i,P_i}(|S|=n,S_i\in[1,m])\\ =\large \sum_{P}(-1)^{\lambda(P)}\sum_{S}\prod_{i} A_{i,S_i}\cdot B_{S_i,P_i}(|S|=n,S_i\in[1,m],\forall i,j,S_i\neq S_j)$
    右式：
    $\large\sum_{S}\det(A[S])\det(B[S]^T)=\large\sum_{S}\det(A[S]\times B[S]^T)\\ =\large \sum_{S}\sum_{P}(-1)^{\lambda(P)}\prod_{i}\sum_{k}A[S]_{i,k}\cdot B[S]^T_{k,P_i}\\ =\large \sum_{S}\sum_{P}(-1)^{\lambda(P)}\sum_{Q}\prod_{i}A[S]_{i,Q_i}\cdot B[S]^T_{Q_i,P_i}\\ =\large \sum_{S}\sum_{Q}\sum_{P}(-1)^{\lambda(P)}\prod_{i}A_{i,S_{Q_i}}\cdot B^T_{S_{Q_i},P_i}\\ =\large \sum_{S}\sum_{P}(-1)^{\lambda(P)}\prod_{i}A_{i,S_{i}}\cdot B^T_{S_{i},P_i}(|S|=n,S_i\in[1,m],\forall i,j,S_i\neq S_j)$
    基础结论也可通过上面的方法展开证明，区别只在于少了S的循环过程。
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 $A_ix+1$ ，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。
$\large \forall k, ans=t^{root}(G,k)\deg(k)\prod_{v\in V}(\deg(v)-1)!$

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 $deg_u−1$ 条出边（当然如果 u 为根节点就有 $deg_u$ 条不在根向树上的出边）钦定一个走的顺序(最后再走在根向树上的边)，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” 。

显然证明上式我们只需证明一下两个部分：1.一个 “组合” 唯一对应一条欧拉回路。2.一条欧拉回路唯一对应一个 “组合”。

1.按照 “组合” 的顺序走到根停止时，不存在边/点未经过 — 树上指向根的边都遍历过，故这些子节点的出边已经走完，可以推到下一层也都满足“走完”，直到所有点/边都判定为遍历过。

2.记录下欧拉回路中除了根的每个点走的最后一条出边，这些边构成一棵根向树 — 出度都为1，故“不成树，即成环”；从环上一点出发，则到走到下一个点时，与这个点的连边已经走完了，与会回到该点矛盾，故“不成环”。

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 $A H U$ 算法与树哈希两种判定方式。
$A H U$ 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。
$\large f_{now}=siz_{now}\times\sum f_{son(now,i)}\times seed^{i-1}\\ \large f_{now}=\bigoplus f_{son(now,i)}\times seed+siz_{son(now,i)}\\ \large f_{now}=1+\sum f_{son(now,i)}\times prime(siz_{son(now,i)})$
- 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。

Exelite

关注

0
点赞
踩
1

收藏

觉得还不错? 一键收藏
0
评论
图论(详)

图论（2）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FFFFFF — O(E max v)O(E\,max\,v)O(Emaxv)EKEKEK/SAPSAPSAP（最短路增广）— O(nm2)O(nm^2)O(nm2) ：一条边（或其反向边）每满流一次，两次的增广路长度至少多加2：考虑增广路1 s-u-v-t （dis=diss−u+disv−t+1\large dis=dis_{s-u}+dis_{v-t}+1dis=diss−u+
复制链接

扫一扫