浅谈网络流

1. 网络流

网络

网络是一张单向图 , 每条边都有一个权值 $c(u,v)$ 表示边 $(u,v)$ 的容量. 特别的 , 图上有源点 $(s)$ 和汇点 $(t)$.

网络流

在一张网络上 , 从源点流出 , 最终流入汇点的流.

$f(u,v)$ 表示 $(u,v)$ 的流量.

满足 :

1. 容量限制 : $(u,v)$ 的流量不超过 $(u,v)$ 的容量. 即 $f(u,v)\le c(u,v)$
2. 流量平衡 : 对于非 $s,t$ 的点 $u$ 要求流入 $u$ 的流量等于流出 $u$ 的流量 , 即 $\sum _{u\to x}f(u,x)=\sum _{x\to u}f(x,u)$.
3. 斜对称性 : 对于边 $(u,v)$ , 其反向边的流量为其相反数 . 即 $f(u,v)=-f(v,u)$

( 图片来自 oi-wiki )

2. 网络流的应用

在此给出比较易懂的解释方式。

I. 最大流

在一张网络上 , 给定源点 $s$ 汇点 $t$ , 要求 $f(u,v)\le c(u,v)$ , 求一条 $s$ 到 $t$ 的最大流

题目

若边 $(u,v)$ 满足 $f(u,v)<c(u,v)$ 我们称这条边是有潜力的 , $c(u,v)-f(u,v)$ 称为这条边的潜力值

如果存在一条从 $s$ 到 $t$ 的路径 , 该路径上的所有边都有潜力 , 我们可以将这条路径上的流增加这些边中最小的潜力值 , 同时将路径上的反向边减去该值 , 该操作称为增广.

可用 bfs 判断网络上是否存在可增广的路径.

核心代码即为

while( 可增广 )
	增广 ;

该算法称为 $EK$ 算法

code

---

无源汇有上下界可行流

题目 / 题目

在一张网络上 , 要求 $l(u,v)\le f(u,v)\le r(u,v)$ , 问是否存在可行流

$l\le f(u,v)\le r$ , 记 $f^{\prime }(u,v)=f(u,v)-l$

即 $0\le f^{\prime }(u,v)\le r-l$ 即为一般网络流形式

例如 :

根据流量平衡 , 有 :
$f^{\prime }(1,a)+f^{\prime }(2,a)+i{n}_a=f^{\prime }(a,3)+f^{\prime }(a,4)+ou{t}_a$

$i{n}_a=l(1,a)+l(2,a),ou{t}_a=l(1,a)+l(2,a)$

因此我们可以建立一个超级源点 $(s)$ 与超级汇点 $(t)$

原方程 $f(1,a)+f(2,a)=f(a,3)+f(a,4)$ 有解

当且仅当 $f^{\prime }(1,a)+f^{\prime }(2,a)+i{n}_a=f^{\prime }(a,3)+f^{\prime }(a,4)+ou{t}_a$ 有解.

将 $(s,a)$ 的上限为 $i{n}_a$ , $(a,t)$ 的上限为 $ou{t}_a$ . 根据上文最大流的代码 , 满足平衡条件的情况下保证了流量最大 , 因此如果最大流达到了所有 $i{n}_a$ 的上限 (此时同样满足所有 $ou{t}_a$ 的上限) , 方程有解.

记录
code

---

[CQOI2014]危桥

题目

我们记 $f_a(u,v),f_b(u,v)$ 为 $A,B$ 经过边 $(u,v)$ 的次数

1. 容量限制 :

   有 $|f_a(u,v)|+|f_b(u,v)|\le c(u,v)$

   等价于 $\{\begin{array}{l}{f}_a(u,v)+f_b(u,v)\le c(u,v)\\ f_a(u,v)-f_b(u,v)\le c(u,v)\\ -f_a(u,v)+f_b(u,v)\le c(u,v)\\ -f_a(u,v)-f_b(u,v)\le c(u,v)\end{array}$

   根据 $f(u,v)=-f(v,u)$ , $c(u,v)=c(v,u)$ (双向边)

   等价于 $\{\begin{array}{l}{f}_a(u,v)+f_b(u,v)\le c(u,v)\\ f_a(u,v)-f_b(u,v)\le c(u,v)\\ f_a(v,u)-f_b(v,u)\le c(v,u)\\ f_a(v,u)+f_b(v,u)\le c(v,u)\end{array}$

   得对于任意边 $(u,v)$ , 满足 :
   $\{\begin{array}{l}{f}_a(u,v)+f_b(u,v)\le c(u,v)\\ f_a(u,v)-f_b(u,v)\le c(u,v)\end{array}$

   记 $f_1(u,v)=f_a(u,v)+f_b(u,v)$ ,

   $f_2(u,v)=f_a(u,v)-f_b(u,v)$

   即对于任意边 $(u,v)$ , 满足 :
   $\{\begin{array}{l}{f}_1(u,v)\le c(u,v)\\ f_2(u,v)\le c(u,v)\end{array}$

2. 流量平衡 :

   对于非 $a_1,a_2,b_1,b_2$ 的点 $u$ , 在考虑正向边以及反向边的情况下有

   $\{\begin{array}{l}\sum _{u\to x}{f}_a(u,x)=0\\ \sum _{u\to x}{f}_b(u,x)=0\\ \sum _{x\to u}{f}_a(x,u)=0\\ \sum _{x\to u}{f}_b(x,u)=0\end{array}$

   而对于 $a_1,a_2,b_1,b_2$ , 有 :
   (图中的 $\sum$ 表示流出某个点的流量 $\sum f$)

   

   因此 , 对于 $f_1$ :

   我们可建立超级源点 $s$ 与 $a_1,b_1$ 容量分别为 $2a_n,2b_n$ 的边 ,
   建立 $a_2,b_2$ 与超级汇点 $t$ 容量分别为 $2a_n,2b_n$ 的边.

   对于 $f_2$ :

   我们可建立超级源点与 $a_1,b_2$ 容量分别为 $2a_n,2b_n$ 的边,
   建立 $a_2,b_1$ 与超级汇点 $t$ 容量分别为 $2a_n,2b_n$ 的边.

$f_1,f_2$ 分别跑最大流 , 计算出最大流是否能达到 $(2a_n+2b_n)$

code

---

DAG上的边覆盖问题

题目

记 $f(u,v)$ 表示经过边 $(u,v)$ 的次数.

题目要求对于所有边 $(u,v)$ , $1\le f(u,v)$ .

但对于一个点 $a$ , 不一定满足流量平衡 , 例如 :

每条边恰好经过一次是一种可行方案 , 但此时不满足流量平衡.

我们参考上文的思路 , 建超级源点与超级汇点 , 使其达到流量平衡 :

即 $f(1,a)+f(2,a)+s_a=f(a,3)+f(a,4)+f(a,5)+t_a$

此时我们需要满足:

1. 满足下界

   我们参照无源汇上下界可行流的思想 , 记 $f^{\prime }(u,v)=f(u,v)-1$

   例中即 $f^{\prime }(1,a)+f^{\prime }(2,a)+s_a+2=f^{\prime }(a,3)+f^{\prime }(a,4){+}^{\prime }f(a,5)+t_a+3$

   为满足流量平衡 , 需要建超级源点和超级汇点 , 但此时已经有超级源点与超级汇点

2. 最小化 $\sum s_a$

   考虑将 $s_a$ 改写成 $x-s_a$ 的形式 , 从而达到最小化的目的

例中 , 由于最小覆盖的要求 , $s_a>3$ 时显然会重复覆盖 , 不符合题意 , 得 $s_a\le 3$ . 同理 , $t_a\le 2$

我们记 $s_a^{\prime }=3-s_a$ , $t_a^{\prime }=2-t_a$ , 此时 :

$f^{\prime }(1,a)+f^{\prime }(2,a)-s_a^{\prime }=f^{\prime }(a,3)+f^{\prime }(a,4){+}^{\prime }f(a,5)-t_a^{\prime }$

即 $-f^{\prime }(1,a)-f^{\prime }(2,a)+s_a^{\prime }=-f^{\prime }(a,3)-f^{\prime }(a,4){-}^{\prime }f(a,5)+t_a^{\prime }$

根据 $f(u,v)=-f(v,u)$

$f^{\prime }(a,1)+f^{\prime }(a,2)+s_a^{\prime }=f^{\prime }(3,a)+f^{\prime }(4,a){+}^{\prime }f(5,a)+t_a^{\prime }$

此时满足流量平衡 , 只是所有原图的边都起点变终点 , 终点变起点

而 $\sum s_a^{\prime },\sum t_a^{\prime }$ 最大时 , $\sum s_a,\sum t_a$ 最小

问题即化为 , 满足 $s_a^{\prime }\le outde{g}_a$ , $t_a^{\prime }\le inde{g}_a$ 的最大流

code

---

II. 最小割

割 :
一张网络 $G(V,E)$ 上的一种点的划分方式：将 $V$ 划分为集合 $S,T$ ， 其中 $S+T=V$ ，源点 $s$ 在集合 $S$ 之中，汇点 $t$ 在集合 $T$ 之中

割的容量 :
我们定义割 $(S,T)$ 的容量 $c(S,T)$ 表示所有 $S$ 到 $T$ 边的容量之和

我们同样可以理解为 : 割掉一些边 , 使得没有路径能从源点走到汇点 , 割掉边的花费即为割的容量.

其中使得割容量最小的割称为最小割

如上图中，割的容量为 $20+20+20$

---

最小割最大流定理

最小割等于最大流

证明 :

$\text{所有流}\le \text{所有割}$
对于一个割，任意流都会经过 $S\to T$ 的边，有 $f(s,t)=\text{S出边流量和}-\text{S入边流量和}\le c(S,T)$ ， 那么就 $\text{所有流}\le \text{所有割}$

如果 $\text{某个流}=\text{某个割}$ ，那么这个流一定是最大流，这个割一定是最小割

---

二选其一模型

物品 $i$ 放在 $A$ 花费 $a_i$ , 放在 $B$ 花费 $b_i$ . 对于特殊的 $u,v$ , 若在不在同一个集合 , 额外花费 $w$ . 求最小花费.

对于问题的建模 : 我们将 $i$ 与虚拟源点 $s$ 连 $a_i$ , $i$ 与虚拟汇点 $t$ 连 $b_i$ . 对于 $u,v,w$ , 连 $u,v$ 间容量为 $w$ 的双向边.

此时, 每个割都对应一个方案.

证明:

首先, 对于一个物品, 要么与 $s$ 有边, 表示放在 $A$ 集合; 要么与 $t$ 有边, 表示放在 $B$ 集合.

而对于有限制的物体 $i,j$ , 如果 $i,j$ 不在一个集合, 此时 $i,j$ 间的边一定需要被割 , 不然存在 $s$ 到 $t$ 到路径, 不符合割的定义. 此时这条被割的边就表示的是不在一个集合的额外收益损失.

因此, 割的容量就对应着一种方案, 最小割即为答案.

[SHOI2007] 善意的投票

题目

本题关键在于抽象建模 : 将 0,1 作为源点与汇点 , 每个人与源点 / 汇点建单向边 , 朋友 $(u,v)$ 间建双向边 , 即化为最小割问题.

正确性 : 割一个点与源点或汇点之间的边即违背自身意愿. 双向边 $u\to v$ 与 $v\to u$ 分别保证了 $v$ 的意愿和 $u$ 必须一样 以及 $u$ 的意愿和 $v$ 必须一样 , 否则就需要割边.

code

---

最大权值闭合子图模型

题目

给定 $n$ 个实验 , $m$ 个仪器 , 每个实验 $i$ 都有一些对应需要的仪器. 购买仪器需要花费 , 做实验获得收益. 问最大收益.

把 不做实验 和 购买仪器 看作是损失 , 相当于问最小损失.

建模 :
将仪器与虚拟源点 $s$ 相连 , 边权容量设为仪器花费 .
将实验与虚拟汇点 $t$ 相连 , 边权容量设为实验收益 .
将仪器与实验之间的边边权容量设为 $+\infty$ .

割仪器与 $s$ 的边表示购买买这个仪器.
割实验与 $t$ 的边表示不做这个实验.
最小割 , 不可能会割仪器与实验间的边.

方案:

从源点开始 dfs , 每次走残量大于 0 的边 , 得到所有集合 $S$ 中的点.

如果仪器不属于 $S$ , 即属于 $T$ , 说明仪器与 $s$ 之间的边需要割 , 即为购买的仪器.

而如果实验不属于 $S$ , 即属于 $T$ , 说明实验与 $t$ 之间的边不用割 , 即为选择的实验.

code

---

最大密度子图模型

密度 : 给定一张无向图 $G(V,E)$ , 其密度定义为边数与点数的比值, $\rho (G)=\frac{|E|}{|V|}$ .

子图 : 在图 $G$ 上选一些点 $V^{\prime }$ , 集合 $V^{\prime }$ 中各点连的边在 $G$ 中存在的 , 组成 $E^{\prime }$ , 则子图即为 $G^{\prime }(V^{\prime },E^{\prime })$ .

最密子图 : 子图中密度最大的子图.

III. dinic 算法