KM算法 求二分图最大权值的完美匹配 【模板 记录】

本文详细介绍了KM算法用于解决二分图最大权匹配问题的具体实现过程。包括了算法的主要步骤、关键数据结构的设计及优化技巧等内容。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

注意KM算法 求解最大权值匹配时,边权赋值为正。求解最小权值匹配时,边权赋值为负,最后结果再取反。


#include <cstdio>
#include <cstring>
#include <algorithm>
#define MAXN 400
#define INF 100000000//注意INF值要比所有边权值大
using namespace std;
int match[MAXN];//匹配
int lx[MAXN], ly[MAXN];//顶标
int slack[MAXN];//记录T集中节点的松弛量
int Map[MAXN][MAXN];//存储原图S-T节点间的关系
bool visx[MAXN], visy[MAXN];
int nx, ny;//S集中节点数目 T集中节点数目
int DFS(int x)
{
    visx[x] = true;
    for(int y = 0; y < ny; y++)
    {
        if(visy[y]) continue;
        int t = lx[x] + ly[y] - Map[x][y];//判断边<x,y>是否在相等子图里面
        if(t == 0)//边<x,y>在相等子图里面
        {
            visy[y] = true;
            if(match[y] == -1 || DFS(match[y]))
            {
                match[y] = x;
                return 1;
            }
        }
        else if(slack[y] > t)// 更新松弛量
            slack[y] = t;
    }
    return 0;
}
int KM()
{
    memset(match, -1, sizeof(match));
    memset(ly, 0, sizeof(ly));
    for(int x = 0; x < nx; x++)//lx[x]初始化为Map[x][y]中最大值
    {
        lx[x] = -INF;
        for(int y = 0; y < ny; y++)
        {
            if(Map[x][y] > lx[x])
                lx[x] = Map[x][y];
        }
    }
    for(int x = 0; x < nx; x++)//匹配
    {
        for(int i = 0; i < ny; i++)//初始化T集中所有节点的 松弛量
            slack[i] = INF;
        while(1)
        {
            memset(visx, false, sizeof(visx));
            memset(visy, false, sizeof(visy));
            if(DFS(x)) break;//匹配成功
            //匹配失败
            int d = INF;
            //寻找最小的松弛量d
            for(int i = 0; i < ny; i++)
            {
                if(!visy[i] && d > slack[i])
                    d = slack[i];
            }
            //修改顶标 为了有更大机会完美匹配
            //S集里面所有点 全部减去最小松弛量d
            for(int i = 0; i < nx; i++)
            {
                if(visx[i])
                    lx[i] -= d;
            }
            //为了保证S-T的匹配不离开相等子图即对边<x,y>依旧有lx[x] + ly[y] == Map[x][y]
            //T集里面所有点 全部增加最小松弛量d
            for(int i = 0; i < ny; i++)
            {
                if(visy[i]
                    ly[i] += d;
                else//节点的松弛量 减少d
                    slack[i] -= d;
            }
        }
    }
    int res = 0;
    for(int i = 0; i < ny; i++)
    {
        if(match[i] != -1)//有匹配
            res += Map[match[i]][i];//累加权值
    }
    return res;
}
int main()
{
    int N;
    while(scanf("%d", &N) != EOF)
    {
        nx = ny = N;
        for(int i = 0; i < N; i++)
            for(int j = 0; j < N; j++)
                scanf("%d", &Map[i][j]);//第i个和第j个匹配的权值
        int ans = KM();
        printf("%d\n", ans);
    }
    return 0;
}


二分图最大权匹配通常采用的是匈牙利算法(Kuhn-Munkres算法,也称为Menger增广路算法),它不是简单的二分搜索,而是通过构建增广路径来逐步找到一个最大权重的配对。以下是 KM 算法的基本伪代码: ```plaintext function hungarian_algorithm(G): // G 是一个二维数组,表示二分图,G[i][j] = w if (i, j)有边,0 otherwise n := number_of_nodes dist_matrix := initialize_dist_matrix(n) // 初始化距离矩阵 matched_pairs := empty_set while there exists unmatched nodes: augment_path := find_augmenting_path(dist_matrix) if augment_path is null: # 如果找不到增广路径,说明图已经是最优匹配,结束循环 break for edge in augment_path: match edge's endpoints update dist_matrix for the edges crossed by the path return matched_pairs, total_weight(matched_pairs) function find_augmenting_path(dist_matrix): start_node := find_min(dist_matrix) // 找到剩余节点中距离最小的一个 current_path := [start_node] while current_path[-1] != null: next_node = find_adjacent_with_smaller_distance(current_path[-1], dist_matrix) if next_node is not null: add next_node to current_path relax_edge(current_path[-1], next_node, dist_matrix) else: return backtrack_to_find_next_path(start_node, current_path) return null if at a sink node, otherwise current_path // 其他辅助函数如initialize_dist_matrix(), relax_edge()等 ``` 这个过程会反复寻找并添加增广路径,直到所有节点都有匹配为止。注意每个操作都会更新距离矩阵,以便下一次迭代找出更长的路径。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值