posted on 2022-08-12 14:14:05 | under 模板 | source
感谢讲师 LQS 带来的网络流专题。
本文非常不严谨，请不要把它当作入门博客。
0xFF 目录
- 0x00 网络流及求法
- 0x10 网络流基本套路
- 0x11 常见 trick
- 0x12 最小割及应用
0x00 网络流及求法
网络是一张边带权的有向图，这是一个例子：
其中有一个源点 \(S\)，一个汇点 \(T\)。流量从 \(S\) 源源不断地流出，每条边可以承载边权这么多的流量，每个点（除了 \(S,T\)）要把它接受的流量全部流出（不能剩余），最后汇集到 \(T\)，就像一个排水系统在工作。
我们将最后到达 \(T\) 的最大流量称为这个网络的最大流（Maxinum Flow）。
如果边上还有一个费用，每有一个流量流过都要支付这么多费用，最后使 \(T\) 接受最大流量的前提下，所使用的最小费用，称作这个网络的最小费用最大流（Mininum Cost & Maxinum Flow）。
0x01 暴力最大流：Ford-Fulkerson 算法
我们有一个 naive 的想法：每次从 \(S\) 发出一个流量，让它一直流到 \(T\)，直到它不能流为止。在流的过程中，每流过一条边，我们就减少这条边的容量，避免下次流爆这条边。
Hacked！如果我们不幸访问了 \(1\to 2\to 3\to 4\)，你就寄了。明明有 \(maxflow=2\)，我们却只有 \(1\)，到底是什么地方出了问题？
观察到，不一定每条路径流过去都是最优的，那么我们加一条反悔边：当一条边 \((u,v)\) 流过了 \(w\) 的流量，我们就添加一条反向边 \((v,u)=w\)。如果以后我们发现走 \((u,v)\) 是不优的，我们就反悔，把这条路径分裂开，但是最大流不变。例如：
想象我们已经流了两个流量 \(1\to 2\to 3\to 4\)，加上 \((2,1),(3,2),(4,3)\) 这些反悔边。现在试图走 \(1\to 3\to 2\to 4\)，有了这个反悔边就可以成功流两个流量，现在真实的路径已经成为了 \(1\to 3\to 4\) 和 \(1\to2\to4\)，达到了 \(maxflow=4\)。再来一个：
我们走了 \(1\to2\to3\to4\) 流了两个流量，现在试图走 \(1\to3\to2\to4\)，是可以走过去的，且 \((3,2)\) 的反悔边没反悔完，所以最后实际上是拆成三条路径 \(1\to2\to3\to4\) 和 \(1\to3\to4\) 和 \(1\to 2\to 4\)，最终 \(maxflow=3\)。
总而言之，它是正确的！于是我们可以开始模拟这个过程，得到了 FF 算法，它的复杂度是 \(O(Fm)\) 其中 \(F=maxflow\)。这样的复杂度随便卡。
0x02 最大流：Edmord-Karp 算法
为什么 FF 算法这么慢？
考虑优化一下，每次不要流一个流量这么少，我们使用 BFS，随便找一条路径，记录一路上最小的容量（不要走没有容量的边，可以当作不存在），再倒着回去流过来，这就是 EK 算法。复杂度 \(O(nm^2)\) 但跑不满。
0x03 最大流：Dinic 算法
为什么 EK 算法慢？我们发现，EK 一次只增广一条路径。考虑多条路径同时增广，我们先把图变成 DAG，一种可行的方法是求出每个节点的深度（BFS），增广时只走 \(dep_v=dep_u+1\) 的边，这样就没有环了，于是可以这样模拟增广的过程。
这就是 Dinic 算法，复杂度 \(O(n^2m)\)。为了吊打 EK，我们可以加入一些优化：
优化 1：当前弧优化
首先放一下原始代码：
LL dfs(int u,LL flow,int t){
if(u==t||!flow) return flow;
LL rest=flow;
for(int i=g.head[u];i;i=g.nxt[i]){
int v=g[i].v;
if(!g[i].v||dep[v]!=dep[u]+1) continue;
if(LL ans=dfs(v,min(rest,g[i].w),t)){
g[i].w-=ans,g[i^1].w+=ans;
rest-=ans;
if(!rest) break;
}
}
return flow-rest;
}
注意到一个点是会被重复走的（DAG），考虑第一次访问点 \(u\)，它会放掉一部分流量给下一些点 \(v\)，这些点 \(v\) 显然已经流完了，再给他们流量是没有意义的，所以第一次点 \(u\) 访问过的点 \(v\) 不需要再走，可以跳过。实现到代码里就是加一个 &，跳下一条边的同时删边。
注意，当前弧优化要把 if(!rest) break; 移到 if 里面，这条边可能没有流满，下一次仍要访问。
优化 2：炸点优化
考虑一个点 \(u\)，它真的流不出流量，重复访问它是没有意义的，这时我们可以把这个点炸了，当它不存在。
0x04 最小费用最大流：EK/Dinic + SPFA = SSP
现在我们加入了费用！
怎么反悔？反悔可以理解成退钱，所以我们反悔可以把之前给的钱减掉，用一个负数即可。
考虑继续使用 EK 算法，现在我们不仅要管流量，还要管费用。可以贪心地选一条 \(S\to T\) 的最短路，把流量从这条最短路流过去，这就是最小费用最大流。
注意到费用可能为负（你自己定义的反悔边），可以使用 Bellman-Ford，复杂度是窒息的 \(O(Fnm)\)。如果有负环，SSP 将直接去世，需要消圈算法。
code EK + SPFA
template Dinic + SPFA
0x05 最小费用最大流：Dinic + Johnson 最短路 = 原始对偶
回忆一下我们怎样在负权图上跑 Dijkstra。
Recall：Johnson 全源最短路
首先我们跑一次 Bellman-Ford，判一下有没有负环，同时求出点 \(S\) 到点 \(u\) 的最短距离 \(h_u\)（距离定义为每条边的费用）。接下来是关键：将边 \((u,v)=w\) 的权值重定义为 \(w+h_u-h_v\)。最后跑 Dijkstra，所有 \(dis_u\) 更改为 \(dis_u-h_S+h_u\)。有几个问题：
为什么这些边有非负边权？考虑 \(h_u\) 是最短路长度，根据三角形不等式有 \(h_u+w(u,v)\geq h_v\)，移项有 \(w(u,v)+h_u-h_v\geq 0\)，证毕。
为什么最终答案为 \(dis_u-h_S+h_u\)？考虑这其实是错位相减，对于一条路径，前面的 \(-h_v\) 被后面来的 \(+h_u\) 抵消，最后剩下 \(h_S-h_u\)，我们减掉这一部分就好了。
回到网络流
现在我们会了 Johnson，有个问题是怎么更新 \(h_u\)，可以用这一次跑出来的最短路更新（\(h_u=dis_u-h_S+h_u\)，注意到 \(h_S=0\)）。考虑套上 Dinic，多路增广在最短路图上进行。我们需要换一下炸点优化，当前点 \(u\) 在栈里的时候炸掉它（\(vis_u=1\)），最后访问完再重构它（\(vis_u=0\)），如果它真的流不出去，炸了，这样就正确了。
细节
在最短路图上要怎么判断呢？如果先写 for(int i=1;i<=n;i++) h[i]+=dis[i];，那就要写 \(w(u,v)+h_u-h_v=0\) 为在最短路图上。原来是 \(dis_u+w(u,v)+h_u-h_v=dis_v\)，移项并合并同类项后就是这个式子。
复杂度 \(O(Fm\log m)\)，但实际表现不是很好（太长了）。
说句闲话，SSP 和原始对偶的区别在于最短路的求法，与增广路算法无关。应该是的。
0x10 网络流基本套路
作为一种模型，网络流有非常多的应用。
0x11 常见 trick
- 多源汇：建立超级源点和汇点。
- 点 \(u\) 自带流量 \(w\)：连边 \((S,u)=w\)。
- 点 \(u\) 最终需要接受流量 \(w\)：连边 \((u,T)=w\)。
- 经过点 \(u\) 有容量限制 \(w\)：将这个点拆成 \(u,u’\)，一个入点（连边 \((v,u)\)），一个出点（连边 \((u’,v)\)），中间连 \((u,u’)=w\)。
- 无向图：连两条有向边，现在你有了四条边哦。
0x12 最小割及应用
在网络图 \(G=(V,E)\) 中，割被定义为一种点集的划分方式：将所有的点划分成两个集合 \(s,t\)，满足 \(s\cup t=V,s\cap t=\varnothing,S\in s,t\in T\)。这个割的权值被定义为 \(\forall(u,v)\in E,u\in s,v\in t\) 的 \(w(u,v)\) 之和。
最大流-最小割定理：在任意网络中，最大流等于最小割。
证明
我们记最大流是 \(\max flow\)，最小割为 \(\min cut\)。根据常识：
对于 \(\text{(I)}\) 式：对于任意一个割 \(cut\)，最大流不会超过这个割的权值（权值是容量，不能比容量还大），所以 \(\max flow\leq cut\Rightarrow\max flow\leq \min cut\)。
对于 \(\text{(II)}\) 式，对于一个最大流 \(flow\)，在残量网络上 \(S,T\) 必然不连通（否则 \(flow\) 不是最大流），我们把导致不连通的边（满流的边）拿出来做一个割，则割的权值不超过最大流，即 \(\max flow\geq cut\Rightarrow\max flow\geq \min cut\)。
所以 \(\max flow=\min cut\)，证毕。
方案
用你喜欢的最大流算法跑出一个最大流，沿着残量网络从 \(S\) 找到的点就属于点集 \(s\)。
注意，最大流和最小割只有数值相等的关系（正如 SAM 和后缀树只有形态相似的关系），建最小割的图时不能按照网络流思想建。
模型 1：两者选其一
考虑你有 \(n\) 个变量 \(x_u\)，第 \(u\) 个变量有 \(m\) 种取值 \(x_u=c_{u,i}\)，每一个取值就是它的代价。当一个变量取到某些值时，在给另一个变量取另一些值时要多给一些代价（当 \(x_u=c_{u,i}\) 时，若 \(x_v=c_{v,j}\)，则要多支付一定的代价）。这就是“两者选其一”模型。不如叫它“多者取其一”？
建图方法：想象有 \(n\) 条链，每条链有 \(m\) 条边，第 \(u\) 条链的第 \(i\) 条边是 \(c_{u,i}\)，两种：
- 如果选了 \(c_{u,[1,i]}\) 再选 \(c_{v,[j,n]}\)，连边 \((c_{u,[1,i]},c_{v,[j,n]})=w\)（如果不能选就是 \(\infty\)）。常见变种：建一条反链，两个区间重叠，无向边等等。
- 如果物品不止一个，新建一个点 \(p\)，连边 \((p,T)=w\)，将限制的 \(u\) 连边 \((u,p)=\infty\)。
原文地址：http://www.cnblogs.com/caijianhong/p/16863491.html
