转:

基本原理

  该算法是通过给每个顶点一个标号(叫做顶标)来把求最大权匹配的问题转化为求完备匹配的问题的。设顶点Xi的顶标为A[ i ],顶点Yj的顶标为B[ j ],顶点Xi与Yj之间的边权为w[i,j]。在算法执行过程中的任一时刻,对于任一条边(i,j),A[ i ]+B[j]>=w[i,j]始终成立。

  KM算法的正确性基于以下定理:

  若由二分图中所有满足A[ i ]+B[j]=w[i,j]的边(i,j)构成的子图(称做相等子图)有完备匹配,那么这个完备匹配就是二分图的最大权匹配。

  这个定理是显然的。因为对于二分图的任意一个匹配,如果它包含于相等子图,那么它的边权和等于所有顶点的顶标和;如果它有的边不包含于相等子图,那么它的边权和小于所有顶点的顶标和。所以相等子图的完备匹配一定是二分图的最大权匹配。

  初始时为了使A[ i ]+B[j]>=w[i,j]恒成立,令A[ i ]为所有与顶点Xi关联的边的最大权,B[j]=0。如果当前的相等子图没有完备匹配,就按下面的方法修改顶标以使扩大相等子图,直到相等子图具有完备匹配为止。

  我们求当前相等子图的完备匹配失败了,是因为对于某个X顶点,我们找不到一条从它出发的交错路。这时我们获得了一棵交错树,它的叶子结点全部是X顶点。现在我们把交错树中X顶点的顶标全都减小某个值d,Y顶点的顶标全都增加同一个值d,那么我们会发现:

  1)两端都在交错树中的边(i,j),A[ i ]+B[j]的值没有变化。也就是说,它原来属于相等子图,现在仍属于相等子图。

  2)两端都不在交错树中的边(i,j),A[ i ]和B[j]都没有变化。也就是说,它原来属于(或不属于)相等子图,现在仍属于(或不属于)相等子图。

  3)X端不在交错树中,Y端在交错树中的边(i,j),它的A[ i ]+B[j]的值有所增大。它原来不属于相等子图,现在仍不属于相等子图。

  4)X端在交错树中,Y端不在交错树中的边(i,j),它的A[ i ]+B[j]的值有所减小。也就说,它原来不属于相等子图,现在可能进入了相等子图,因而使相等子图得到了扩大。

  现在的问题就是求d值了。为了使A[ i ]+B[j]>=w[i,j]始终成立,且至少有一条边进入相等子图,d应该等于:

  Min{A[ i ]+B[j]-w[i,j] | Xi在交错树中,Yi不在交错树中}。

改进

  以上就是KM算法的基本思路。但是朴素的实现方法,时间复杂度为O(n4)——需要找O(n)次增广路,每次增广最多需要修改O(n)次顶标,每次修改顶标时由于要枚举边来求d值,复杂度为O(n2)。实际上KM算法的复杂度是可以做到O(n3)的。我们给每个Y顶点一个“松弛量”函数slack,每次开始找增广路时初始化为无穷大。在寻找增广路的过程中,检查边(i,j)时,如果它不在相等子图中,则让slack[j]变成原值与A[ i ]+B[j]-w[i,j]的较小值。这样,在修改顶标时,取所有不在交错树中的Y顶点的slack值中的最小值作为d值即可。但还要注意一点:修改顶标后,要把所有的不在交错树中的Y顶点的slack值都减去d。

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

 1 bool find(int x)
 2 {//匈牙利算法寻找x的增广路径
 3 //以x为根的M的交错树
 4 //看来本算法需要二部图两部分的顶点个数都相等吧
 5     int y, t;
 6     visitx[x] = true;
 7     for( y = 0; y < N; y++ )
 8     {
 9        if( visity[y] ) continue;//找增广路径的过程中不妨问已经访问过的顶点
10        t = lx[x] + ly[y] - w[x][y];//是在等子图中寻找匹配的增广路径
11        if( t == 0 )
12        {
13           visity[y] = true;
14           if( linky[y] == -1 || find(linky[y]) )
15           {
16              linky[y] = x;
17              return true;
18           }
19        }
20         else
21         {//因为本来就需要将一条x顶点在交错树中,y顶点不在交错树中的边扩展进交错树来
22         //所以只改变这些不在等子图中的边的y顶点的松弛量
23            if( slack[y] > t )
24            slack[y]=t;
25         }
26      }
27      return false;
28 }
29 //外层的匈牙利算法需要O(2)的时间,而修改顶标时由于要枚举所有的边所以也需要O(2)的时间
30 //所以总时间是O(4)
31 //引入松弛量以后改变顶标就不需要枚举每一条边,只需要枚举不在交错树中的y的松弛量,所以
32 //时间复杂度降为O(3)
33 void KM()
34 {//KM算法寻找图的最大权匹配
35      int i, j, x, d;
36      memset(linky,-1,sizeof(linky));
37      memset(lx,0,sizeof(lx)); //x的顶标
38      memset(ly,0,sizeof(ly));//y的顶标
39      for( i = 0; i < N; i++)
40         for( j = 0; j < N; j++ )
41            if( map[i][j] > lx[i] )
42              lx[i] = map[i][j];//一开始x的顶标为所有与x相连的边中权值最大的边的权值,y的顶标为0
43         for( x = 0; x < N; x++ )
44         {//在匈牙利算法中从每个x出发寻找增广路,如果找到就在匹配值上加1,这是为了寻找最大匹配
45         //而在此处,必须找到完备匹配,所以对于每一个x中的顶点,找到其增广路就跳出,找不到的话
46         //就需要修改顶标值直至找到为止
47             for( i = 0; i < N; i++ )
48                slack[i] = INF;//松弛变量
49            while (true)
50            {//无限循环直至找到完备匹配
51                 memset(visitx, 0, sizeof(visitx));//visx为真表示的是该顶点是匹配中的顶点
52                 memset(visity, 0, sizeof(visity));//y同理
53                 if( find(x) ) break;
54                 d = INF;
55                 for( i = 0; i < N; i++)
56                 {
57                    if ( !visity[i] )//注意是取所有不在交错树中的y顶点的松弛量的最小值作为d的值
58                      if ( d > slack[i] )
59                         d = slack[i];
60                 }
61                 for( i = 0; i < N; i++ )
62                 {
63                    if( visitx[i] )
64                      lx[i] -= d;
65                 }
66                 for( i = 0; i < N; i++ )
67                 {
68                    if( visity[i] )
69                    ly[i] += d;
70                    else
71                    slack[i] -= d;
72                 }
73             }
74         }
75 }

转载于:https://www.cnblogs.com/shenshuyang/archive/2012/08/07/2626102.html

KM 最优匹配 讲解相关推荐

  1. KM算法 最优匹配(最大权匹配) hdu 2255 奔小康赚大钱 最小权匹配 poj 2195 Going Home

    最大权二分匹配问题就是给二分图的每条边一个权值,选择若干不相交的边,得到的总权值最大.解决这个问题可以用KM算法.理解KM算法需要首先理解"可行顶标"的概念.可行顶标是指关于二分图 ...

  2. 【POJ - 2195】Going Home(二分图最优匹配,费用流 或 KM)

    题干: On a grid map there are n little men and n houses. In each unit time, every little man can move ...

  3. km算法c语言,KM算法最好的讲解+POJ2195[KM算法+最小费用流]

    二.KM算法: 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) 解二分图最 ...

  4. HDU 2448 Mining Station on the Sea(Floyd+最优匹配)

    HDU 2448 Mining Station on the Sea(Floyd+最优匹配) http://acm.hdu.edu.cn/showproblem.php?pid=2448 题意: 给你 ...

  5. 二分图大讲堂——彻底搞定最大匹配数(最小覆盖数)、最大独立数、最小路径覆盖、带权最优匹配

    二分图匹配 二分图大讲堂--彻底搞定最大匹配数(最小覆盖数).最大独立数.最小路径覆盖.带权最优匹配(转) 文本内容框架: §1图论点.边集和二分图的相关概念和性质 §2二分图最大匹配求解 匈牙利算法 ...

  6. 【图像处理】——特征匹配(SIFT特征检测器+FLANN特征匹配方法+KNN近邻最优匹配筛选)——cv.xfeatures2d.SIFT_create()sift.detectAndCompute

    转载请注明地址 目录 1.特征检测和特征匹配方法 (1)特征检测算法 (2)特征匹配算法 (3)各种特征检测算法的比较 2.特征匹配的基本步骤(附带主要的函数) (1)图像预处理--灰度化(模板--查 ...

  7. 微信小程序黑马优购讲解

    微信小程序黑马优购讲解 1.准备工作 1.首先拿到项目后做好项目搭建 2.搭建基础页面 分类页面 列表页内容 详情页面 我的页面 意见反馈页面 1.准备工作 1.首先拿到项目后做好项目搭建 (1)搭建 ...

  8. 【HDU - 2255】奔小康赚大钱(KM算法模板,二分图最优匹配)

    题干: 传说在遥远的地方有一个非常富裕的村落,有一天,村长决定进行制度改革:重新分配房子.  这可是一件大事,关系到人民的住房问题啊.村里共有n间房间,刚好有n家老百姓,考虑到每家都要有房住(如果有老 ...

  9. 【UVA - 11383】Claw Golden Tiger (二分图最优匹配,KM算法原理)

    题干: 粘贴不过来... 题目大意: 500*500带权格子,每行每列要确定一个值,使row[i]+col[j] >= val[i][j],要使所有row值和col值的和最小 输出每行的row[ ...

最新文章

  1. 大数据学习,涉及的知识点
  2. tasklist 妙用
  3. 小学生python-小学生都开始学的Python编程到底是什么?
  4. Linux查看谁修改的文件,linux如何查看近来修改的文件
  5. 304 Not Modified
  6. VTK:Rendering之HiddenLineRemoval
  7. 杨波 微服务技术专家_专家称,这些是最有效的微服务测试策略
  8. STM32F407 CubeMx使用定时器测量信号频率 分辨率0.001Hz
  9. java中处理打折率_【JAVA300例】13、输入价格判断折扣,switch用法+int留整数方便判断...
  10. 孜然网址导航系统源码v1.0
  11. 数据库-MySQL-JDBC框架
  12. 数组取值_Python基础(五)--numpy包(数组与矩阵)
  13. SVN客户端安装及汉化
  14. kali免杀工具Veil Evasion
  15. picpick快捷键
  16. CTO、技术VP、技术总监、首席架构师
  17. HBase第一天学习
  18. 炉石传说 账号老是重新连接服务器,炉石传说登录账号提示请求已超时超详细解决办法...
  19. 深度学习试题_初学者入门宝典-机器学习入门资料汇总及学习建议(2018版)
  20. 2022年生物医用膜市场前景分析及研究报告

热门文章

  1. wifi rssi 计算 距离_WiFi和WLAN是一样的?真相在这里~别再傻傻分不清了
  2. NoSQLBooster for MongoDB 中跨库关联查询
  3. 力扣合并两个有序数组
  4. 消息队列重要机制讲解以及MQ设计思路(kafka、rabbitmq、rocketmq)
  5. 【C++grammar】析构、友元、拷贝构造函数、深浅拷贝
  6. Java ResourceBundle keySet()方法及示例
  7. 从键盘输入一个字符,判断其是不是大写字母,如果是则请输出这个大写字母,如果不是请输出“这不是一个大写字母”的英文信息(要求:能连续输出直到输出“#”结束)。
  8. fsync与fflush的关系和区别
  9. php数组的下标、extract函数
  10. 338. 比特位计数 golang