最大流问题与Ford-Fulkerson算法介绍
背景
- 我们有图 G=(V, E),V是顶点的集合,E是边的集合。
- 图中边的权重都为非负数 (满足1,2两点有时称之为流网络)。
- 对于这个图G,有两个顶点很重要,一个是源头s,一个是汇聚点t,我们想考虑的是从源头s流向汇聚点t的流。
我们想要解决的问题:在一个流里,有着每条边的运载能力限制,我最多能从源头运输多少数量到目的地。
那么什么是流呢?
流的定义
定义:直观来说,流就像它的名字一样,从源头s运送一些“东西”到汇聚点t,比如下水道系统运输水流,公路网络运输车流。
流具有三个需要注意的点!!
- 对于图中非s和t的普通结点,流进量等于流出量
- 我们非常关心总运输流量,比如这个下水道系统,究竟从s点到t点最多能运输多少立方米的水?我们把它记成|f|,这个|f|极其重要,是我们研究的目的所在。
- 当然,每条边是有运输上限的,就像某条公路车流是有上限的一样,若运输量无穷无尽,我们的研究也就没有意义了。我们将从u点到v点的运输上限,或者说是运载能力记为c(u,v)。对于从u点到v点的流量,记作f(u,v)。显然对所有边(u,v)我们有f(u,v)<=c(u,v)。
研究目的:最大化|f| (|f|的定义在上面第二点),在一个流网络里,有着每条边的运载能力限制,我最多能从s运输多少东西到t。
总结一下,流可以看成一个图,满足两个条件:
1.除了s和t,流入等于流出。
2.所有边的流量f小于运载量c。(flow < capacity)
让我们来看一个流的例子:
此图中除了s和t,流入等于流出,每条边的流量小于运载上限(比如10/20,10是流量,20是上限)。
那么这个图中我们关心的总运输量是多少呢?
是10!直观来想,从s流出10的流量,在复杂网络中经过一系列流入等于流出的操作,最终汇入t,这就是总流量的定义:从s运输到t的流量数。
所以提及总流量,我们盯着s看就好了。
回忆起我们的研究目的,其实就是想寻找一个最大的|f|,此例中|f|=10,还能更大吗?
这就是最大流问题:寻找满足运载上限的最大流。
为了解决这个问题,我们引进割,那么割是什么呢?
割的定义
割说白了,就是对于点的分割,有了流的基础,我们直接看例子。
左右两个黄色的区域,说白了就是点的集合,正式一点来说,我们把它记成(S,S’),比如左黄区域为S(源头s在S里),右黄区域为S’(目的地t在S’里)。
割很随意,但是有个要求,就是s和t要属于不同的区域!
对于割,我们只关心一个事情:从S到S’的总运载上限cap(S,S’),就是割的容量。
在这里,我们不关心从S到S’的流,不关心从S’到S的总运载上限,比如这个例子里,cap(S,S’)=5+10=15,而不是等于5+10+15=30。
这个定义还挺死板的,总结一下,割形成了两个区域,我们关心的是两个区域之间“桥梁”的运载量之和,桥梁的方向一定是一致的,比如都是从S到S’的方向。
在我们知道了所有割的容量后,我们最想知道的是这其中最小的那个容量,即最小割的容量。
说完了割,还是没有说到为什么这个概念的引进可以解决最大流问题,我们接下来看看最大流最小割的关系。
最大流最小割
我们回忆一下,流是一个边权重非负的图,流入等于流出。割是把流分成两个区域,s和t分布于不同的区域。
最小割大于等于最大流,因为只有这样,流才能顺利从一个区域运输到另一个区域(想想流要通过从S到S’的桥梁)。
换言之,对于任意一个割(S,S’),最大流都要小于等于cap(S,S’),因为我研究的是从源头s到t,可以想成是从S区域到S’区域,那么我运输的流量肯定要小于等于桥梁的总限制。
所以我们有了第一个关系式:max|f| <= cap(S,S’)
关键的来了,这个关系式的上界取等发生在(S,S’)是最小割。这个被称为最大流最小割定理,所以我们完成了转化,将寻找最大流问题转化为了寻找最小割的问题。
那么如何找到最小割呢?
首先引进两个术语:saturate和avoid,这两个词都是形容流f对边e)的。还是很形象的,一个充满一个避开。
f saturates e: 即f(e) = c(e),就是流量充满了运载上限,比如10/10。
f avoids e: f(e) = 0
有这两个术语后,我们有方法如下:
f是一个流,(S, S’)是一个割,如果f充满了从S到S’的每一座桥,避开了从S’到S的每一座桥,则f是一个最大流,(S, S’)是一个最小割。
那么为什么最大流等于最小割的总运载上限呢?(关于这个问题的解答,还是开一篇新的文章吧)
先不考虑为什么,我们先介绍如何找到最大流的算法,即Ford-Fulkerson算法。
Ford-Fulkerson
首先这个算法有个重要的工具:残存网络。残存网络其实就是具有残存容量的图。算法导论上有个普遍公式来定义残存容量:
翻译一下公式,说明的就是对于两点间的残存容量定义为:
1.如果这两点连线原来就是原图的边,那么它的残存容量等于运载上限-运输流量。
2.如果这两点的反向连线是原图的边,那么它的残存容量等于那条边的运输流量。
3.其他情况是0,当做没连通。
很不直观呀,所以我们结合例子来说明说明残存容量以及残存网络。
首先先明确一下,在残存网络中我们只关心运载上限(就是残存容量啦)。
这个例子中,左边是原图,右边是残存网络。
我们先来看源头s和它右上角的结点a(就是10/20相连的那两点),为什么转换成残存网络中形成了一个10和10的圈?
我们回到不直观的公式定义,cf(s,a)应该是等于20-10的,因为(s,a)是原图的边。那么cf(a,s)是多少呢,因为这个的反向连线在原图里是(s,a)是边,所以cf(a,s) = f(s,a) = 10
那么直观来说怎么生成残存网络呢,原图的每条边都需要拆解,比如考虑那条5/15的从b指向t的边,我们画在残存网络中就是生成一条15-5容量的边,从b指向t,然后生成一个5的边,从t指向b。(不用为b是哪个点感到困惑,其实就是例子中t左上角的那个点)如果发现容量为0的边,就不用画在残存网络里了。
请在例子里练练手,找上几个残存容量你就掌握了如何生成残存网络的方法了。
接下来我们看看残存网络对我们的帮助:
1.残存网络中没有从s到t的路径时,最大流等于最小割容量。
2.残存网络中有从s到t的路径时,最大流不等于最小割容量。
关于以上两点的证明用到了割,会在新一篇文章说到。
如果是情况2:我们考虑路径P:s->v0->v1->v2->… ->vn ->t,把它叫增广路径。在增广路径中找最小的cf,记作F。在这种残存网络还有路径从s通向t的情况中,我们没有做到最好,我们要把F纳入我们对于流的更新,直到找不到增广路径为止,更新方法如下:
做了这么多铺垫,又是残存网络,又是对流的更新,接下来介绍Ford-Fulkerson算法。
我们从0流量出发(此时残存网络就是原图),找到增广路径(注意增广路径一定是在残存网络里找),接着把流更新,直到残存网络中没有增广路径(就是没有路径从s到t啦)为止。下面我们还是看例子:
在示例中,左边是残存网络,右边是更新后的原图。一开始(a)的残存网络就是原图,我们找了条增广路径(粗线),找到了最小的cf,就是4,然后把4引入了原图的流更新。
从(a)更新后的原图,我们可以画出它的残存网络,于是我们来到了(b),还是老步骤,找增广路径,找最小的cf,以它来更新原图(从(a)的右图到(b)的右图)。强烈推荐从c往后自己将这个过程找完,花几分钟找完你就记住了Ford-Fulkerson算法。答案如下,增广路径选取不同,过程可能不一样,但是最大流都是一样的,就是23:
在(f)中,我们再也无法找到增广路径,所以我们的算法结束,这是我们的最大流。
总结一下,我们要解决的问题是在一个有运载限制的网络系统中,从s到t最多能运输多少流量。我们引进了流,割的概念,将我们研究的问题转化为寻找最大流。
如何找最大流?采用Ford-Fulkerson算法,从0流量开始,生成残存网络,找到增广路径,从增广路径中找到最小的残存容量F,用F来更新原图,得到新的原图后,循环上述过程直到残存网络中找不到增广路径。此时的原图中,就有了我们想求的最大流。
那么我们引进割是为什么呢,是为了证明Ford-Fulkerson算法的正确性。这个可以开一篇新的文章来说,想要理解Ford-Fulkerson的运行过程看这篇文章就够了,如果想知道为什么Ford-Fulkerson可以找到最大流,那么请看下一篇博客。
最大流问题与Ford-Fulkerson算法介绍相关推荐
- 反汇编算法介绍和应用——递归下降算法分析
上一篇博文我介绍了Windbg使用的线性扫描(linear sweep)反汇编算法.本文我将介绍IDA使用的递归下降(recursive descent)反汇编算法.(转载请指明来源于breaksof ...
- 改进型 clock 页面置换算法实现_ID生成算法雪花算法介绍及实现
1. SnowFlake 算法介绍 雪花算法是由 Twitter 公司开源的可在分布式系统中产生一个全局唯一 ID 的算法.最初 Twitter 把存储系统从 MySQL 迁移到 Cassandra, ...
- 五子棋html游戏代码与算法介绍
五子棋html游戏代码与算法介绍 运行图片 目录路径 五子棋.html 五子棋算法 进行下一个游戏的开发! 注意事项 我会把html文件.css文件提供下载地址,文件夹路径也展示给大家.但是图片就没法 ...
- HTML五子棋游戏代码介绍,五子棋html游戏代码与算法介绍
五子棋html游戏代码与算法介绍 我会把html文件.css文件提供下载地址,文件夹路径也展示给大家.但是图片就没法一一放在博客里面了. 大家有需要的话,加博主QQ:2864144286,全天在线. ...
- 知识图谱学习笔记-风控算法介绍
一.风控算法的评估 1.搭建风控模型 数据(KG)-特征工程-模型 特征工程: 申请人相关特征:年龄.收入.工作性质等等 从知识图谱提取出的特征: 1)从规则提取出来的特征:申请人是不是第一次借款(0 ...
- 推荐业务多目标建模算法介绍:MMOE、OMOE、Shared-Bottom
在推荐业务中经常有"既要.也要.还要"的场景,比如做视频推荐业务的时候既要提升用户对于视频的点击率,也希望同时提升用户观看视频的时长.面对这样的诉求,通常需要在推荐系统中使用多目标 ...
- 3.TF-IDF算法介绍、应用、NLTK实现TF-IDF算法、Sklearn实现TF-IDF算法、算法的不足、算法改进
3.TF-IDF 3.1.TF-IDF算法介绍 3.2.TF-IDF应用 3.3.NLTK实现TF-IDF算法 3.4.Sklearn实现TF-IDF算法 3.5.Jieba实现TF-IDF算法 3. ...
- 十八、Apriori算法介绍
1. 关联规则挖掘 关联规则挖掘定义 大多数关联规则挖掘算法通常采用的一种策略是,将关联规则挖掘任务分解为如下两个主要的子任务: 频繁项集产生(Frequent Itemset Generation) ...
- 分布式块存储QoS限速算法介绍与实践以及对上层应用的影响
分布式块存储QoS限速算法以及对上层应用的影响 QoS限速算法介绍 令牌桶 Token Bucket 漏桶 Leaky Bucket Leaky bucket as a meter Leaky buc ...
- yolo算法的优缺点分析_yolo算法介绍
yolo算法介绍 (2020-06-06 16:49:28) 把Yolo模型搞清楚后不得不再次为人类的智慧感慨,一个巧妙的模型. 要想理解Yolo我们先要搞清楚Yolo到底要解决一个什么问题,解决这个 ...
最新文章
- linux在多核处理器上的负载均衡原理
- 解决media player内部应用程序错误
- Method-Swizzling实战-实现iOS原生网络请求性能采集
- (王道408考研操作系统)第三章内存管理-第一节3:覆盖与交换
- ASP.NET 控制页和内容页中的事件
- layui外部引入_javascript 怎么去引用layui里面的方法
- 几个常用的JavaScript字符串处理函数
- 001# 大家好,打招呼啦!
- ps盖印图层在哪里_PS盖印图层快捷键
- 教你如何利用python调用摄像头
- CodeForces - 863B-Kayaking(暴力)
- 十二星座物语,女生最喜欢的星座性格【1】
- 腾讯云+tipask快速搭建基于laravel的CMS网站
- 计算机组成原理 课程设计存档
- 禁用wordpress5.2自动裁剪图片功能
- 深入浅出聚类算法之k-means算法
- apiDoc 一款很不错api文档生成工具
- Mysql ERROR 1067: Invalid default value for ‘date’ 解决
- 转:WINFORM加Pannel背景图闪烁终极解决办法
- 【网优谷】如何快速写出有吸引力的网站标题?