文章目录
1 二分图相关概念
二分图定义：
二分图又称双分图、二部图、偶图，指顶点可以分成两个不相交的集U和V(U和V皆为独立集(Independent Sets))，使得在同一个集内的顶点不相邻(没有共同边)的图。
我们定义匹配点、匹配边、未匹配点、非匹配边。如图3中,1、4、5、7为匹配点，其他顶点为未匹配点；1-5、4-7为匹配边、其他边为非匹配边。
**匹配(matching)😗*二分图的一个“匹配”是指一些边的集合，任意两条边没有公共点。例如，图3、图4中红色的边就是图2的匹配。
**最大匹配(maximum matching)：**二分图的“最大匹配”，值的是二分图的所有匹配中边数最多的匹配。图4是一个最大匹配。它包含4条匹配边。
**完美匹配(perfect matching)：**二分图的一个“完美匹配”，是指所有点都在这个匹配中的一个匹配。也就是说这个匹配里的所有边刚好经过所有点一次。图4是一个完美匹配，显然，完美匹配一定是最大匹配(完美匹配的任何一个点都已经匹配，添加一条新的匹配边一定会与已有的匹配边冲突)。
但并非每个图都存在完美匹配。
2 匈牙利算法求解无权二分图最大匹配
2.1 相关概念
**交替路：**从一个未匹配点出发，依次经过非匹配边、匹配边、非匹配边…形成的路径叫交替路。
**增广路：**从一个未匹配点出发，走交替路，如果以另一个未匹配点(出发的点不算)为结尾，则这条交替路称为增广路(agumenting path)。例如，图 5 中的一条增广路如图 6 所示(图中的匹配点均用红色标出)：
增广路有一个重要特点：非匹配边比匹配边多一条。因此，研究增广路的意义是改进匹配。只要把增广路中的匹配边和非匹配边的身份交换即可。由于中间的匹配节点不存在其他相连的匹配边，所以这样做不会破坏匹配的性质。交换后，图中的匹配边数目比原来多了 1 条。
我们可以通过不停地找增广路来增加匹配中的匹配边和匹配点。找不到增广路时，达到最大匹配(这是增广路定理)。匈牙利算法正是这么做的。
**增广路定理：**任意一个非最大匹配的匹配一定存在增广路。
匈牙利树一般由BFS构造(类似于BFS树)。从一个未匹配点出发运行BFS(唯一的限制是，必须走交替路)，直到不能再扩展为止。例如，由图7，可以得到如图8的一棵 BFS 树：
这棵树存在一个叶子节点为非匹配点(7 号)，但是匈牙利树要求所有叶子节点均为匹配点，因此这不是一棵匈牙利树。如果原图中根本不含 7 号节点，那么从 2 号节点出发就会得到一棵匈牙利树。这种情况如图 9 所示(顺便说一句，图 8 中根节点 2 到非匹配叶子节点 7 显然是一条增广路，沿这条增广路扩充后将得到一个完美匹配)。
2.2 算法原理
注意前面增广路的定义：“从一个未匹配点出发，走交替路，以另一个未匹配点为结尾”，首尾都是未匹配点，说明首尾的边都是非匹配边。而又是交替路，也就是说非匹配边比匹配边多一条。那么我们完全可以把这条增广路里的匹配边和非匹配边互换(称为“交换匹配”)，那么匹配边就会多出 1 条，实现了“增广”的意义。并且这样做并不会对其他边造成影响，也不破坏二分图的性质。
那么我们就可以一直找增广路，不断交换匹配。根据增广路定理，如果找不到了，就说明已经达到最大匹配。
同样可以证明，已经匹配的点永远不会退出匹配，只会更换匹配。
这就是匈牙利算法最核心的部分了：一直找增广路，不断交换匹配。
可能看完上面的叙述，还是有点困惑。一直找增广路，不断交换匹配到底应该怎么做？以下我举一个便于理解例子：
现在Boys和Girls分别是两个点集，里面的点分别是男生和女生，边表示他们之间存在“暧昧关系”。最大匹配问题相当于，假如你是红娘，可以撮合任何一对有暧昧关系的男女，那么你最多能成全多少对情侣？(数学表述：在二分图中最多能找到多少条没有公共端点的边)
现在我们来看看匈牙利算法是怎么运作的：
我们从B1看起(男女平等，从女生这边看起也是可以的)，他与G2有暧昧，那我们就先暂时把他与G2连接(注意这时只是你作为一个红娘在纸上构想，你没有真正行动，此时的安排都是暂时的)。
来看B2，B2也喜欢G2，这时G2已经“名花有主”了(虽然只是我们设想的)，那怎么办呢？我们倒回去看G2目前被安排的男友，是B1，B1有没有别的选项呢？有，G4，G4还没有被安排，那我们就给B1安排上G4。
我们来细看这一过程：
开始是B1——G2；
由于B2的加入，有增广路G4——B1——G2——B2；
然后交换匹配，成为G4——B1——G2——B2；
这是不是正是前面提到的一直找增广路，不断交换匹配。
我们继续，B3直接配上G1就好了，这没什么问题。至于B4，他只钟情于G4，G4目前配的是B1。B1除了G4还可以选G2，但是呢，如果B1选了G2，G2的原配B2就没得选了。我们绕了一大圈，发现B4只能注定单身了，可怜。(其实从来没被考虑过的G3更可怜)
最终结果：
2.3 匈牙利算法代码
//---------------------DFS---------------------------------
#include<iostream>
#include<memory.h>
using namespace std;
#define MAXN 10
int graph[MAXN][MAXN];
int match[MAXN];
int visitX[MAXN], visitY[MAXN];
int nx, ny;
bool findPath( int u )
{
visitX[u] = 1;
for( int v=0; v<ny; v++ )
{
if( !visitY[v] && graph[u][v] )
{
visitY[v] = 1;
if( match[v] == -1 || findPath(match[v]) )
{
match[v] = u;
return true;
}
}
}
return false;
}
int dfsHungarian()
{
int res = 0;
memset( match, -1, sizeof(match) );
for( int i=0; i<nx; i++ )
{
memset( visitX, 0, sizeof(visitX) );
memset( visitY, 0, sizeof(visitY) );
if( findPath(i) )
res++;
}
return res;
}
//-----------------------------BFS-------------------------------
#include<iostream>
#include<memory.h>
using namespace std;
#define MAXN 10
int graph[MAXN][MAXN];
//在bfs中，增广路径的搜索是一层一层展开的，所以必须通过prevX来记录上一层的顶点
//chkY用于标记某个Y顶点是否被目前的X顶点访问尝试过。
int matchX[MAXN], matchY[MAXN], prevX[MAXN], chkY[MAXN];
int queue[MAXN];
int nx, ny;
int bfsHungarian()
{
int res = 0;
int qs, qe;
memset( matchX, -1, sizeof(matchX) );
memset( matchY, -1, sizeof(matchY) );
memset( chkY, -1, sizeof(chkY) );
for( int i=0; i<nx; i++ )
{
if( matchX[i] == -1 ) //如果该X顶点未找到匹配点，将其放入队列。
{
qs = qe = 0;
queue[qe++] = i;
prevX[i] = -1; //并且标记，它是路径的起点
bool flag = 0;
while( qs<qe && !flag )
{
int u = queue[qs];
for( int v=0; v<ny&&!flag; v++ )
{
if( graph[u][v] && chkY[v]!=i ) //如果该节点与u有边且未被访问过
{
chkY[v] = i; //标记且将它的前一个顶点放入队列中，也就是下次可能尝试这个顶点看能否为它找到新的节点
queue[qe++] = matchY[v];
if( matchY[v] >= 0 )
prevX[matchY[v]] = u;
else //到达了增广路径的最后一站
{
flag = 1;
int d=u, e=v;
while( d!=-1 ) //一路通过prevX找到路径的起点
{
int t = matchX[d];
matchX[d] = e;
matchY[e] = d;
d = prevX[d];
e = t;
}
}
}
}
qs++;
}
if( matchX[i] != -1 )
res++;
}
}
return res;
}
3 KM算法求解加权二分图最优匹配
3.1 相关概念
完备匹配：定义 设G＝为二部图，|V1|≤|V2|，M为G中一个最大匹配，且|M|＝|V1|，则称M为V1到V2的完备匹配。也就是说把一个集合中的点全部匹配到另一个集合中。在上述定义中，若|V2|＝|V1|，则完备匹配即为完美匹配，若|V1|最大匹配。
二分图最优匹配：对于二分图的每条边都有一个权(非负)，要求一种完备匹配方案，使得所有匹配边的权和最大，记做最优完备匹配。(特殊的，当所有边的权为1时，就是最大完备匹配问题)
二分图带权匹配与最优匹配：什么是二分图的带权匹配？二分图的带权匹配就是求出一个匹配集合，使得集合中边的权值之和最大或最小，这个匹配集合比一定是完备匹配。而二分图的最优匹配则一定为完备匹配，在此基础上，才要求匹配的边权值之和最大或最小。二分图的带权匹配与最优匹配不等价，也不互相包含。
顶标：每个节点与另一个集合中节点之间的最大权值
可行顶标(标杆)：对于原图中的任意一个节点，给定一个函数 求出节点的顶标值。我们用数组 记录集合 中的节点顶标值，用数组 记录集合 中的节点顶标值。并且，对于原图中任意一条边 ，都满足 。
相等子图：设 G(V,E) 为二部图， G’(V,E’) 为二部图的子图。如果对于 G’ 中的任何边 满足， ，我们称 G’(V,E’) 为 G(V,E) 的等价子图或相等子图(是G的生成子图)。
3.2 核心思想
对二分图G和一组可行标,满足可行标边界条件(lx[i]+ly[j]=w[i,j])的所有边构成的生成子图(需要包含所有顶点),称为其等价子图(相等子图),在这个等价子图上,寻找其完备匹配,如果完备匹配存在,则这个完备匹配M就是图G的最大权匹配,最大权等于所有可行标的和; 如果完备匹配不存在,则修改可行标,用贪心的思想,将最优的边加入等价子图. KM算法就是一种逐次修改可行顶标的方法,使之对应的等价子图逐次增广(增加边),最后出现完备匹配.
3.3 KM代码示例
/******************************************************
二分图最佳匹配 （kuhn munkras 算法 O(m*m*n)).
邻接矩阵形式 。 返回最佳匹配值，传入二分图大小m,n
邻接矩阵 mat ，表示权，match1,match2返回一个最佳匹配,为匹配顶点的match值为-1，
一定注意m<=n，否则循环无法终止，最小权匹配可将全职取相反数。
初始化： for(i=0;i<MAXN;i++)
for(j=0;j<MAXN;j++) mat[i][j]=-inf;
对于存在的边：mat[i][j]=val;//注意不能负值
********************************************************/
#include<string.h>
#define MAXN 310
#define inf 1000000000
#define _clr(x) memset(x,-1,sizeof(int)*MAXN)
int KM(int m,int n,int mat[][MAXN],int *match1,int *match2)
{
int s[MAXN],t[MAXN],l1[MAXN],l2[MAXN];
int p,q,i,j,k,ret=0;
for(i=0;i<m;i++)
{
l1[i]=-inf;
for(j=0;j<n;j++)
l1[i]=mat[i][j]>l1[i]?mat[i][j]:l1[i];
if(l1[i]==-inf) return -1;
}
for(i=0;i<n;i++)
l2[i]=0;
_clr(match1);
_clr(match2);
for(i=0;i<m;i++)
{
_clr(t);
p=0;q=0;
for(s[0]=i;p<=q&&match1[i]<0;p++)
{
for(k=s[p],j=0;j<n&&match1[i]<0;j++)
{
if(l1[k]+l2[j]==mat[k][j]&&t[j]<0)
{
s[++q]=match2[j];
t[j]=k;
if(s[q]<0)
{
for(p=j;p>=0;j=p)
{
match2[j]=k=t[j];
p=match1[k];
match1[k]=j;
}
}
}
}
}
if(match1[i]<0)
{
i--;
p=inf;
for(k=0;k<=q;k++)
{
for(j=0;j<n;j++)
{
if(t[j]<0&&l1[s[k]]+l2[j]-mat[s[k]][j]<p)
p=l1[s[k]]+l2[j]-mat[s[k]][j];
}
}
for(j=0;j<n;j++)
l2[j]+=t[j]<0?0:p;
for(k=0;k<=q;k++)
l1[s[k]]-=p;
}
}
for(i=0;i<m;i++)
ret+=mat[i][match1[i]];
return ret;
}
给定一个二分图G，M为G边集的一个子集，如果M满足当中的任意两条边都不依附于同一个顶点，则称M是一个匹配。
极大匹配(Maximal Matching)是指在当前已完成的匹配下,无法再通过增加未完成匹配的边的方式来增加匹配的边数。最大匹配(maximum matching)是所有极大匹配当中边数最大的一个匹配。选择这样的边数最大的子集称为图的最大匹配问题。
如果一个匹配中，图中的每个顶点都和图中某条边相关联，则称此匹配为完全匹配，也称作完备匹配。完美匹配：如果所有点都在匹配边上，称这个最大匹配是完美匹配。
求二分图最大匹配可以用最大流(Maximal Flow)或者匈牙利算法(Hungarian Algorithm)
如果G为加权二分图，则权值和最大的完备匹配称为最佳匹配，求一个二分图的最佳匹配的普遍算法是KM(Kuhn-Munkres)算法。
KM算法的基本思想是,把权值转化为可行顶标，再用匈牙利算法求出一组完备匹配，如果无法求出完备匹配，则修改可行顶标,直至找到完备匹配为止，这时的完备匹配为最佳匹配。
Kuhn－Munkras算法流程：
(1)初始化可行顶标的值
(2)用匈牙利算法寻找完备匹配
(3)若未找到完备匹配则修改可行顶标的值
(4)重复(2)(3)直到找到相等子图的完备匹配为止
参考文献：
[1]https://blog.csdn.net/weixin_29903713/article/details/112778495
[2]https://blog.csdn.net/weixin_43093481/article/details/84558029
[3]https://www.cnblogs.com/kuangbin/archive/2012/08/19/2646535.html
[4]https://www.cnblogs.com/logosG/p/logos.html
[5]https://my.oschina.net/husthang/blog/840806?tdsourcetag=s_pcqq_aiomsg
[6]https://blog.csdn.net/qq_25379821/article/details/83750678
扫一扫
1232
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
