48、网络流与匹配问题详解

a1b2c3d

于 2025-07-23 10:49:54 发布

阅读量64

点赞数

CC 4.0 BY-SA版权

分类专栏：离散数学的魅力与应用文章标签：网络流最大流最小割定理匹配问题

本文链接：https://blog.youkuaiyun.com/a1b2c3d/article/details/149849690

离散数学的魅力与应用专栏收录该内容

57 篇文章 ¥499.90

订阅专栏¥69.90

会员秒杀 ¥9.9 重磅福利

超级会员免费看

网络流与匹配问题详解

1. 最大流最小割定理

在网络流问题中，我们常常需要找到网络中的最大流，而最大流最小割定理为此提供了重要的理论基础。

1.1 相关定义

割的定义 ：对于一个网络 $G$，设其源点为 $a$，汇点为 $z$。割 $(P, \overline{P})$ 由顶点集合 $P$ 及其补集 $\overline{P}$ 组成，其中 $a \in P$ 且 $z \in \overline{P}$。例如，在某个网络中，若 $P = {a, b, d}$，则 $\overline{P} = {c, e, f, z}$，$(P, \overline{P})$ 就是该网络的一个割。我们有时会用虚线来划分顶点，以表示割。
割的容量 ：割 $(P, \overline{P})$ 的容量定义为 $C(P, \overline{P}) = \sum_{i\in P}\sum_{j\in \overline{P}}C_{ij}$，其中 $C_{ij}$ 是边 $(i, j)$ 的容量。比如在某个网络中，若割对应的边为 $(b, c)$ 和 $(d, e)$，其容量分别为 $C_{bc}$ 和 $C_{de}$，那么该割的容量就是 $C_{bc} + C_{de}$。

下面通过一个具体的网络示例来展示割和割的容量：

graph LR
    classDef startend fill:#F5EBFF,stroke:#BE8FED,stroke-width:2px
    classDef process fill:#E5F6FF,stroke:#73A6FF,stroke-width:2px
    a([a]):::startend -->|4, 4| z([z]):::startend
    a -->|4, 2| e(e):::process
    a -->|2, 1| b(b):::process
    b -->|4, 1| c(c):::process
    b -->|3, 3| d(d):::process
    d -->|2, 0| f(f):::process
    e -->|5, 4| f
    c -->|3, 2| f

在这个网络中，若 $P = {a, b, d}$，$\overline{P} = {c, e, f, z}$，则该割的容量为 $C_{bc} + C_{de}$。

1.2 定理内容

容量与流值的关系 ：对于网络 $G$ 中的任意流 $F$ 和任意割 $(P, \overline{P})$，割的容量总是大于或等于流的价值，即 $\sum_{i\in P}\sum_{j\in \overline{P}}C_{ij} \geq \sum_{i}F_{ai}$。例如，在一个网络中，某个割的容量为 8，而当前流的价值为 5，这就满足了该定理。
最大流最小割定理 ：设 $F$ 是网络 $G$ 中的一个流，$(P, \overline{P})$ 是一个割。若 $\sum_{i\in P}\sum_{j\in \overline{P}}C_{ij} = \sum_{i}F_{ai}$，则流 $F$ 是最大流，割 $(P, \overline{P})$ 是最小割。而且，等式成立的充要条件是：
- 对于 $i \in P$，$j \in \overline{P}$，有 $F_{ij} = C_{ij}$；
- 对于 $i \in \overline{P}$，$j \in P$，有 $F_{ij} = 0$。

下面我们来证明这个定理：
设 $F$ 是网络 $G$ 中的流，$(P, \overline{P})$ 是割。首先，注意到 $\sum_{j\in \overline{P}}\sum_{i\in P}F_{ji} = \sum_{j\in \overline{P}}\sum_{i\in P}F_{ij}$，因为等式两边都是对所有 $i, j \in P$ 的 $F_{ij}$ 求和。
然后，$\sum_{i}F_{ai} = \sum_{j\in \overline{P}}\sum_{i}F_{ji} - \sum_{j\in \overline{P}}\sum_{i}F_{ij}$
$= \sum_{j\in \overline{P}}\sum_{i\in P}F_{ji} + \sum_{j\in \overline{P}}\sum_{i\in \overline{P}}F_{ji} - \sum_{j\in \overline{P}}\sum_{i\in P}F_{ij} - \sum_{j\in \overline{P}}\sum_{i\in \overline{P}}F_{ij}$
$= \sum_{j\in \overline{P}}\sum_{i\in P}F_{ji} - \sum_{j\in \overline{P}}\sum_{i\in P}F_{ij} \leq \sum_{j\in \overline{P}}\sum_{i\in P}F_{ji} \leq \sum_{j\in \overline{P}}\sum_{i\in P}C_{ji}$。
当且仅当 $\sum_{j\in \overline{P}}\sum_{i\in P}F_{ij} = 0$ 且 $\sum_{j\in \overline{P}}\sum_{i\in P}F_{ji} = \sum_{j\in \overline{P}}\sum_{i\in P}C_{ji}$ 时，等式成立，此时流是最大流，割是最小割。

1.3 算法应用

算法 10.2.4 在终止时能产生最大流。当算法终止时，设 $P$ 是已标记的顶点集合，$\overline{P}$ 是未标记的顶点集合。对于边 $(i, j)$，若 $i \in P$，$j \in \overline{P}$，由于 $i$ 已标记，必有 $F_{ij} = C_{ij}$；对于边 $(j, i)$，若 $j \in \overline{P}$，$i \in P$，由于 $i$ 已标记，必有 $F_{ji} = 0$。根据最大流最小割定理，此时的流是最大流，割 $(P, \overline{P})$ 是最小割。

下面是一些相关的练习题及操作步骤：
- 练习题类型 ：
- 利用算法 10.2.4 求各网络的最大流，例如给定不同的网络图形（如 Figure 10.1.4、Figure 10.1.5 等）。
- 从给定的流开始，求各网络的最大流，如给定 Figure 10.1.4 中一些边的初始流值，求最大流。
- 求割的容量并判断是否为最小割，例如给定不同的 $P$ 集合，求对应的割的容量并判断。
- 求各网络的最小割，如针对不同的网络图形或练习题中的网络。
- 操作步骤 ：
1. 对于求最大流的问题，使用算法 10.2.4。该算法的核心步骤可能包括标记顶点、寻找增广路径等。具体来说，从源点开始标记，根据边的容量和当前流值判断是否可以继续标记其他顶点，直到无法继续标记或到达汇点。若到达汇点，则找到一条增广路径，更新流值。重复这个过程，直到无法找到增广路径，此时得到的流即为最大流。
2. 对于求割的容量问题，根据割的容量定义 $C(P, \overline{P}) = \sum_{i\in P}\sum_{j\in \overline{P}}C_{ij}$，找出所有 $i \in P$ 且 $j \in \overline{P}$ 的边，将它们的容量相加即可。
3. 判断割是否为最小割，可通过比较不同割的容量，容量最小的割即为最小割。

2. 匹配问题

匹配问题是将一个集合中的元素与另一个集合中的元素进行配对的问题，我们可以将其转化为网络中的最大流问题。

2.1 相关定义

匹配：对于一个有向二分图 $G$，其顶点集分为不相交的 $V$ 和 $W$ 两部分，边从 $V$ 中的顶点指向 $W$ 中的顶点。匹配是一组没有公共顶点的边的集合。
最大匹配 ：最大匹配是包含边数最多的匹配。例如，在一个表示申请人和工作的二分图中，最大匹配就是能让最多申请人找到工作的匹配。
完全匹配 ：完全匹配是指对于 $V$ 中的每个顶点 $v$，都存在边 $(v, w) \in E$，其中 $w \in W$。也就是说，$V$ 中的每个元素都能与 $W$ 中的元素配对。

下面通过一个具体的例子来展示匹配问题：
假设有四个申请人 $A$、$B$、$C$、$D$ 申请五个工作 $J_1$、$J_2$、$J_3$、$J_4$、$J_5$。申请人 $A$ 适合工作 $J_2$ 和 $J_5$；申请人 $B$ 适合工作 $J_2$ 和 $J_5$；申请人 $C$ 适合工作 $J_1$、$J_3$、$J_4$ 和 $J_5$；申请人 $D$ 适合工作 $J_2$ 和 $J_5$。我们可以用二分图来表示这个情况：

graph LR
    classDef startend fill:#F5EBFF,stroke:#BE8FED,stroke-width:2px
    classDef process fill:#E5F6FF,stroke:#73A6FF,stroke-width:2px
    A([A]):::startend -->|适合| J2(J2):::process
    A -->|适合| J5(J5):::process
    B([B]):::startend -->|适合| J2
    B -->|适合| J5
    C([C]):::startend -->|适合| J1(J1):::process
    C -->|适合| J3(J3):::process
    C -->|适合| J4(J4):::process
    C -->|适合| J5
    D([D]):::startend -->|适合| J2
    D -->|适合| J5

从这个例子可以看出，由于申请人 $A$、$B$ 和 $D$ 都只适合工作 $J_2$ 和 $J_5$，如果 $A$ 和 $B$ 被分配了工作，那么 $D$ 就没有工作可分配，所以这个二分图没有完全匹配。

2.2 网络模型

我们可以将匹配问题建模为网络问题。以申请人和工作的例子为例，具体步骤如下：
1. 给二分图中的每条边分配容量为 1。
2. 添加一个超级源点 $a$，并从 $a$ 到每个申请人添加容量为 1 的边。
3. 添加一个超级汇点 $z$，并从每个工作到 $z$ 添加容量为 1 的边。这样得到的网络就是匹配网络。

graph LR
    classDef startend fill:#F5EBFF,stroke:#BE8FED,stroke-width:2px
    classDef process fill:#E5F6FF,stroke:#73A6FF,stroke-width:2px
    a([a]):::startend -->|1, 1| A([A]):::process
    a -->|1, 1| B([B]):::process
    a -->|1, 1| C([C]):::process
    a -->|1, 1| D([D]):::process
    A -->|1, 1| J2(J2):::process
    A -->|1, 0| J5(J5):::process
    B -->|1, 1| J2
    B -->|1, 0| J5
    C -->|1, 0| J1(J1):::process
    C -->|1, 0| J3(J3):::process
    C -->|1, 0| J4(J4):::process
    C -->|1, 1| J5
    D -->|1, 0| J2
    D -->|1, 1| J5
    J1 -->|1, 0| z([z]):::startend
    J2 -->|1, 1| z
    J3 -->|1, 0| z
    J4 -->|1, 0| z
    J5 -->|1, 1| z

2.3 定理内容

流与匹配的关系 ：
- 匹配网络中的流对应二分图中的匹配。当边 $(v, w)$（$v \in V$，$w \in W$）的流为 1 时，顶点 $v$ 与顶点 $w$ 匹配。
- 最大流对应最大匹配。因为流的价值等于匹配的边数，所以最大流对应的匹配就是包含边数最多的匹配。
- 价值为 $|V|$ 的流对应完全匹配。当流的价值等于 $V$ 中顶点的数量时，说明 $V$ 中的每个顶点都与 $W$ 中的顶点匹配，即存在完全匹配。
霍尔婚姻定理 ：对于有向二分图 $G$，存在完全匹配的充要条件是对于 $V$ 的任意子集 $S$，都有 $|S| \leq |R(S)|$，其中 $R(S) = {w \in W | v \in S$ 且 $(v, w)$ 是图 $G$ 中的边 $}$。

下面我们来证明霍尔婚姻定理：
假设二分图 $G$ 有完全匹配。对于任意 $S \subseteq V$，由于 $S$ 中的每个顶点都能与 $R(S)$ 中的顶点匹配，所以必然有 $|S| \leq |R(S)|$。
反之，假设对于任意 $S \subseteq V$，都有 $|S| \leq |R(S)|$。设 $n = |V|$，考虑匹配网络中的最小割 $(P, \overline{P})$。假设该最小割的容量小于 $n$，其容量等于集合 $E = {(x, y) | x \in P, y \in \overline{P}}$ 中边的数量。$E$ 中的边分为三种类型：
- 类型 I：$(a, v)$，$v \in V$。
- 类型 II：$(v, w)$，$v \in V$，$w \in W$。
- 类型 III：$(w, z)$，$w \in W$。
若 $V \subseteq P$，则割的容量为 $n$，所以 $V^ = V \cap P$ 非空。此时，类型 I 的边有 $n - |V^ |$ 条。
将 $R(V^ )$ 划分为 $W_1 = R(V^ ) \cap P$ 和 $W_2 = R(V^ ) \cap \overline{P}$。类型 III 的边至少有 $|W_1|$ 条，所以类型 II 的边少于 $n - (n - |V^ |) - |W_1| = |V^ | - |W_1|$ 条。因为 $W_2$ 中的每个顶点最多贡献一条类型 II 的边，所以 $|W_2| < |V^ | - |W_1|$，即 $|R(V^ )| = |W_1| + |W_2| < |V^ |$，这与 $|S| \leq |R(S)|$ 矛盾。因此，存在完全匹配。

2.4 练习题及操作步骤

练习题类型 ：
- 证明某个流是最大流，通过找出容量等于流值的最小割。
- 求与匹配对应的流，并证明其为最大流。
- 分析不同情况下匹配的含义，如匹配、最大匹配、完全匹配分别代表什么。
- 对于给定的申请人和工作的情况，建模为匹配网络，求最大匹配并判断是否存在完全匹配。
操作步骤 ：
1. 证明流是最大流：根据最大流最小割定理，找出容量等于流值的最小割。可以通过枚举不同的割，计算其容量，找到容量最小且等于流值的割，即可证明该流是最大流。
2. 求与匹配对应的流：将二分图建模为匹配网络，使用算法 10.2.4 求最大流。该流的价值即为匹配的边数，边的流为 1 表示对应的顶点匹配。
3. 分析匹配的含义：根据匹配、最大匹配和完全匹配的定义，结合具体的二分图进行分析。例如，在申请人和工作的二分图中，匹配表示部分申请人与工作的配对，最大匹配表示能让最多申请人找到工作的配对，完全匹配表示所有申请人都能找到工作的配对。
4. 建模为匹配网络并求解：按照前面介绍的步骤，给二分图的边分配容量为 1，添加超级源点和超级汇点，构建匹配网络。然后使用算法 10.2.4 求最大流，根据流的价值判断是否存在完全匹配。若流的价值等于申请人的数量，则存在完全匹配；否则，不存在完全匹配。

通过以上对网络流最大流最小割定理和匹配问题的介绍，我们可以看到这两个问题之间的紧密联系，并且可以利用相关的定理和算法来解决实际问题。无论是在资源分配、任务调度还是其他领域，这些理论和方法都有着广泛的应用。

3. 匹配问题的进一步探讨

3.1 匹配问题的实际应用场景

匹配问题在现实生活中有诸多实际应用场景，除了前面提到的申请人与工作匹配，还有计算机与磁盘驱动器匹配、学生与课程匹配等。以下是一些具体的例子：
- 计算机与磁盘驱动器匹配 ：假设有 $n$ 台计算机和 $n$ 个磁盘驱动器，每台计算机与 $m$（$m > 0$）个磁盘驱动器兼容，每个磁盘驱动器也与 $m$ 台计算机兼容。我们可以将计算机看作集合 $V$，磁盘驱动器看作集合 $W$，若计算机 $v$ 与磁盘驱动器 $w$ 兼容，则存在从 $v$ 到 $w$ 的边。根据霍尔婚姻定理，由于对于任意子集 $S \subseteq V$，$|S| \leq |R(S)|$ 成立（因为每台计算机有 $m$ 个兼容的磁盘驱动器，从 $S$ 发出的边数为 $km$，而 $R(S)$ 接收的边数最多为 $jm$，所以 $km \leq jm$，即 $|S| \leq |R(S)|$），所以存在完全匹配，也就是可以将每台计算机与一个兼容的磁盘驱动器匹配。
- 学生与课程匹配 ：假设有一批学生申请多门课程，每个学生有自己感兴趣且符合条件的课程。我们可以将学生看作集合 $V$，课程看作集合 $W$，若学生 $v$ 对课程 $w$ 感兴趣且符合条件，则存在从 $v$ 到 $w$ 的边。通过将这个问题建模为匹配网络，利用最大流算法可以找到最大匹配，即让尽可能多的学生选到自己感兴趣且符合条件的课程。

3.2 匹配问题的复杂度分析

在解决匹配问题时，使用算法 10.2.4 求最大流是关键步骤。算法 10.2.4 的复杂度与网络的规模有关。对于一个有 $n$ 个顶点和 $m$ 条边的网络，算法 10.2.4 的时间复杂度通常为 $O(nm^2)$。这是因为在算法执行过程中，每次寻找增广路径可能需要遍历所有的边，而增广路径的数量最多为 $O(m)$，每次增广操作可能需要更新边的流值，也需要遍历边，所以总的时间复杂度为 $O(nm^2)$。

3.3 匹配问题的优化策略

虽然算法 10.2.4 可以解决匹配问题，但在实际应用中，对于大规模的网络，其复杂度可能较高。以下是一些优化策略：
- 使用邻接矩阵 ：在匹配网络中，可以使用图的邻接矩阵来简化算法 10.2.4 的实现。邻接矩阵可以更方便地表示边的信息和流值，减少遍历边的时间。具体操作步骤如下：
1. 构建邻接矩阵：对于二分图 $G$，其邻接矩阵 $A$ 的大小为 $(|V| + |W|) \times (|V| + |W|)$。若顶点 $i$ 到顶点 $j$ 有边，则 $A[i][j] = 1$；否则，$A[i][j] = 0$。
2. 标记矩阵元素：在算法执行过程中，若边 $(i, j)$ 的流为 1，则标记 $A[i][j] = 1$；否则，$A[i][j] = 0$。通过这种方式，可以更直观地表示匹配情况。
3. 利用邻接矩阵进行操作：在算法 10.2.4 中，标记顶点、寻找增广路径等操作可以通过邻接矩阵来实现。例如，判断顶点 $i$ 是否可以标记另一个顶点 $j$，可以直接查看 $A[i][j]$ 的值和边的容量、当前流值。
- 采用更高效的算法 ：除了算法 10.2.4，还有一些其他的算法可以用于解决匹配问题，如匈牙利算法。匈牙利算法的时间复杂度为 $O(n^3)$，对于小规模的匹配问题，其效率可能更高。匈牙利算法的核心思想是通过不断寻找增广路径来增加匹配的边数，直到无法找到增广路径为止。具体操作步骤如下：
1. 初始化匹配：将所有边的匹配状态初始化为未匹配。
2. 寻找增广路径：从一个未匹配的顶点开始，尝试找到一条增广路径。增广路径是一条交替经过匹配边和未匹配边的路径，且起点和终点都是未匹配的顶点。
3. 更新匹配：如果找到增广路径，则将路径上的匹配边和未匹配边交换状态，从而增加匹配的边数。
4. 重复步骤 2 和 3，直到无法找到增广路径为止。

4. 网络流与匹配问题的拓展

4.1 带最小边流要求的网络流问题

在一些实际应用中，网络中的边除了有容量限制外，还可能有最小边流要求。即对于边 $(i, j)$，其流 $F_{ij}$ 必须满足 $m_{ij} \leq F_{ij} \leq C_{ij}$，其中 $m_{ij}$ 是最小边流要求，$C_{ij}$ 是边的容量。
- 流的取值范围 ：对于任意流 $V$ 和任意割 $(P, \overline{P})$，流的取值范围满足 $m(P, \overline{P}) - C(\overline{P}, P) \leq V \leq C(P, \overline{P}) - m(\overline{P}, P)$，其中 $C(P, \overline{P}) = \sum_{i\in P}\sum_{j\in \overline{P}}C_{ij}$，$m(P, \overline{P}) = \sum_{i\in P}\sum_{j\in \overline{P}}m_{ij}$，$m(\overline{P}, P) = \sum_{i\in \overline{P}}\sum_{j\in P}m_{ij}$。
- 最大流和最小流的求解 ：
- 若网络中存在流，则最大流的值为 $\min{C(P, \overline{P}) - m(\overline{P}, P) | (P, \overline{P})$ 是网络中的割 $}$。求解最大流的算法步骤如下：
1. 枚举所有可能的割 $(P, \overline{P})$。
2. 对于每个割，计算 $C(P, \overline{P}) - m(\overline{P}, P)$ 的值。
3. 找出所有计算结果中的最小值，即为最大流的值。
- 若网络中存在流，则最小流的值为 $\max{m(P, \overline{P}) - C(\overline{P}, P) | (P, \overline{P})$ 是网络中的割 $}$。求解最小流的算法步骤与求解最大流类似，只是需要找出所有计算结果中的最大值。

4.2 匹配问题的变种

除了基本的匹配问题，还有一些变种问题，如带权匹配问题。在带权匹配问题中，每条边都有一个权值，我们的目标是找到一个匹配，使得匹配边的权值之和最大或最小。
- 带权最大匹配问题 ：可以使用最大权匹配算法来解决，如 KM 算法（Kuhn - Munkres 算法）。该算法的核心思想是通过给顶点分配顶标，使得在满足一定条件下，找到的匹配边的权值之和最大。具体操作步骤如下：
1. 初始化顶标：对于顶点 $i$，其顶标 $l(i)$ 初始化为与该顶点相连的边的最大权值。
2. 寻找相等子图：在当前顶标下，只考虑权值等于顶点顶标之和的边，构成相等子图。
3. 在相等子图中寻找最大匹配：使用匈牙利算法在相等子图中寻找最大匹配。
4. 调整顶标：如果在相等子图中找不到完美匹配，则调整顶标，使得相等子图发生变化，然后重复步骤 3 和 4，直到找到完美匹配。
- 带权最小匹配问题 ：可以通过将边的权值取负，转化为带权最大匹配问题来解决。

5. 总结

网络流的最大流最小割定理和匹配问题是图论中的重要内容，它们在实际应用中有着广泛的用途。最大流最小割定理揭示了网络中流和割之间的关系，为求解最大流问题提供了理论基础。匹配问题可以通过转化为网络流问题来解决，利用最大流算法可以找到最大匹配和判断是否存在完全匹配。

在解决这些问题时，我们可以使用算法 10.2.4 等算法，但对于大规模的网络，需要考虑复杂度和优化策略。同时，网络流和匹配问题还有一些拓展和变种，如带最小边流要求的网络流问题和带权匹配问题，这些问题在不同的实际场景中有不同的应用。

通过深入理解网络流和匹配问题的理论和算法，我们可以更好地解决实际中的资源分配、任务调度等问题，提高系统的效率和性能。

以下是一个总结表格，对比网络流和匹配问题的相关概念和算法：
| 问题类型 | 相关概念 | 解决算法 | 复杂度 | 优化策略 |
| ---- | ---- | ---- | ---- | ---- |
| 网络流最大流问题 | 割、割的容量、最大流、最小割 | 算法 10.2.4 | $O(nm^2)$ | 使用邻接矩阵、采用更高效算法 |
| 匹配问题 | 匹配、最大匹配、完全匹配 | 算法 10.2.4、匈牙利算法 | $O(nm^2)$、$O(n^3)$ | 使用邻接矩阵、采用更高效算法 |
| 带最小边流要求的网络流问题 | 最小边流要求、流的取值范围、最大流、最小流 | 枚举割计算 | - | - |
| 带权匹配问题 | 带权匹配、最大权匹配、最小权匹配 | KM 算法 | - | - |

通过这个表格，我们可以更清晰地看到不同问题的特点和解决方法，有助于在实际应用中选择合适的算法和策略。

希望本文对大家理解网络流和匹配问题有所帮助，在实际应用中能够灵活运用相关的理论和算法解决问题。