二分图最大匹配及常用建图方法
Ku二分图最大权匹配(KM算法)hn
Maigo的KM算法讲解(的确精彩) 顶点Ｙｉ的顶标为B［i]，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：
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。 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。 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。 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｝。 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ｓｌａｃk值都减去d。
二分图匹配(匈牙利算法和KM算法)
前言： 高中时候老师讲这个就听得迷迷糊糊，有一晚花了通宵看KM的Pascal代码，大概知道过程了，后来老师说不是重点，所以忘的差不多了。都知道二分图匹配是个难点，我这周花了些时间研究了一下这两个算法，总结一下 1.基本概念 M代表匹配集合 未盖点：不与任何一条属于M的边相连的点 交错轨：属于M的边与不属于M的边交替出现的轨（链） 可增广轨：两端点是未盖点的交错轨 判断M是最大匹配的标准：M中不存在可增广轨 2.最大匹配，匈牙利算法 时间复杂度：O(|V||E|) 原理： 寻找M的可增广轨P，P包含2k+1条边，其中k条属于M，k+1条不属于M。修改M 为M&P。即这条轨进行与M进行对称差分运算。 所谓对称差分运算，就是比如X和Y都是集合，X&Y=(X并Y)-(x交Y) 有一个定理是：M&P的边数是|M|+1，因此对称差分运算扩大了M 实现： 关于这个实现，有DFS和BFS两种方法。先列出DFS的代码，带注释。这段代码来自中山大学的教材
核心部分在dfs(x)，来寻找可增广轨。如果找到的话，在Hungarian()中，最大匹配数加一。这是用了刚才提到的定理。大家可以想想初始状态是什么，又是如何变化的 view plaincopy to clipboardprint?
第二种方法BFS，来自我的学长cnhawk 核心步骤还是寻找可增广链，过程是： 1.从左的一个未匹配点开始，把所有她相连的点加入队列 2.如果在右边找到一个未匹配点，则找到可增广链 3.如果在右边找到的是一个匹配的点，则看它是从左边哪个点匹配而来的，将那个点出发的所有右边点加入队列 这么说还是不容易明白，看代码吧
三种热分析方法综合介绍.
三种热分析方法综合介绍 热分析是在程序控制温度的条件下，测量物质的物理性质随温度变化关系的一类技术。该技术包括三个方面的内容：其一，物质要承受程序控温的作用，通常指以一定的速率升（降）温。其二，要选定用来测定的一种物理量，它可以是热学的、力学的、声学的、光学的以及电学的和磁学的等。其三，测量物理量随温度的变化关系。 物质在受热过程中要发生各种物理、化学变化，可用各种热分析方法跟踪这种变化。表1中列出根据所测物理性质对热分析方法的分类。其中以差热分析（DTA）和热重分析（TG）的历史最长，使用也最广泛；微分热重分析（DTG）和差示扫描置热法（DSC）近年来也得到较迅速地发展。下面简单介绍DTA、TG和DSC的基本原理和技术。 表1热分析方法的分类 （一）差热分析（DTA） 差热分析是在程序控制温度下，测量物质与参比物之间的温度差与温度关系的一种技术。差热分析曲线是描述样品与参比物之间的温差（ΔT）随温度或时间的变化关系。在DAT试验中，样品温度的变化是由于相变或反应的吸热或放热效应引起的。一般说来，相变、脱氢还原和一些分解反应产生吸热效应；而结晶、氧化和一些分解反应产生放热效应。 图1为差热分析装置示意图，典型的DTA装置由温度程序控制单元、差热放大单元和记录单元组成。将试样S和参比物R一同放在加热电炉中进行程序升温，试样在受热过程中所发生的物理化学变化往往会伴随着焓的改变，从而使它与热惰性的参比物之间形成一定的温度差。差热分析中温差信号很小，一般只有几微伏到几十微伏，因此差热信号经差热放大后在记录单元绘出差热分析曲线。从曲线的位置、形状、大小可得到有关热力学和热动力学方面的信息。
算法学习：图论之二分图的最优匹配(KM算法)
二分图的最优匹配（KM算法） KM算法用来解决最大权匹配问题：在一个二分图内，左顶点为X，右顶点为Y，现对于每组左右连接XiYj有权wij，求一种匹配使得所有wij的和最大。 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。 首先解释下什么是完备匹配，所谓的完备匹配就是在二部图中，X点集中的所有点都有对应的匹配或者是 Y点集中所有的点都有对应的匹配，则称该匹配为完备匹配。 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。（针对之后例子中x1->y4这条边） 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（因为：d的定义为 min{ (x,y)| Lx(x)+ Ly(y)- W(x,y), x∈ S, y? T }
二分图匹配
二分图匹配 1.最大匹配（hdu1068） Girls and Boys Time Limit: 20000/10000 MS (Java/Others) Memory Limit: 65536/32768 K (Java/Others) Total Submission(s): 6410 Accepted Submission(s): 2888 Problem Description the second year of the university somebody started a study on the romantic relations between the students. The relation “romantically involved” is defined between one girl and one boy. For the study reasons it is necessary to find out the maximum set satisfying the condition: there are no two students in the set who have been “romantically involved”. The result of the program is the number of students in such a set. The input contains several data sets in text format. Each data set represents one set of subjects of the study, with the following description: the number of students the description of each student, in the following format student_identifier:(number_of_romantic_relations) student_identifier1 student_identifier2 student_identifier3 ... or student_identifier:(0) The student_identifier is an integer number between 0 and n-1, for n subjects. For each given data set, the program should write to standard output a line containing the result. Sample Input 7 0: (3) 4 5 6 1: (2) 4 6 2: (0) 3: (0) 4: (2) 0 1 5: (1) 0 6: (2) 0 1 3
二分图的最大匹配完美匹配和匈牙利算法
二分图的最大匹配完美匹配和匈牙利算法 匈牙利算法是由匈牙利数学家Edmonds于1965年提出，因而得名。匈牙利算法是基于Hall定理中充分性证明的思想，它是二部图匹配最常见的算法，该算法的核心就是寻找增广路径，它是一种用增广路径求二分图最大匹配的算法。这篇文章讲无权二分图（unweighted bipartite graph）的最大匹配（maximum matching）和完美匹配（perfect matching），以及用于求解匹配的匈牙利算法（Hungarian Algorithm）；不讲带权二分图的最佳匹配。二分图：简单来说，如果图中点可以被分为两组，并且使得所有边都跨越组的边界，则这就是一个二分图。准确地说：把一个图的顶点划分为两个不相交集U 和V ，使得每一条边都分别连接U、V 中的顶点。如果存在这样的划分，则此图为一个二分图。二分图的一个等价定义是：不含有「含奇数条边的环」的图。图 1 是一个二分图。为了清晰，我们以后都把它画成图 2 的形式。匹配：在图论中，一个「匹配」（matching）是一个边的集合，其中任意两条边都没有公共顶点。例如，图3、图4 中红色的边就是图 2 的匹配。我们定义匹配点、匹配边、未匹配点、非匹配边，它们的含义非常显然。例如图 3 中1、4、5、7 为匹配点，其他顶点为未匹配点；1-5、4-7为匹配边，其他边为非匹配边。最大匹配：一个图所有匹配中，所含匹
配边数最多的匹配，称为这个图的最大匹配。图 4 是一个最大匹配，它包含4 条匹配边。完美匹配：如果一个图的某个匹配中，所有的顶点都是匹配点，那么它就是一个完美匹配。图 4 是一个完美匹配。显然，完美匹配一定是最大匹配（完美匹配的任何一个点都已经匹配，添加一条新的匹配边一定会与已有的匹配边冲突）。但并非每个图都存在完美匹配。举例来说：如下图所示，如果在某一对男孩和女孩之间存在相连的边，就意味着他们彼此喜欢。是否可能让所有男孩和女孩两两配对，使得每对儿都互相喜欢呢？图论中，这就是完美匹配问题。如果换一个说法：最多有多少互相喜欢的男孩/女孩可以配对儿？这就是最大匹配问题。基本概念讲完了。求解最大匹配问题的一个算法是匈牙利算法，下面讲的概念都为这个算法服务。交替路：从一个未匹配点出发，依次经过非匹配边、匹配边、非匹配边…形成的路径叫交替路。增广路：从一个未匹配点出发，走交替路，如果途径另一个未匹配点（出发的点不算），则这条交替路称为增广路（agumenting path）。例如，图5 中的一条增广路如图6 所示（图中的匹配点均用红色标出）：增广路有一个重要特点：非匹配边比匹配边多一条。因此，研究增广路的意义是改进匹配。只要把增广路中的匹配边和非匹配边的身份交换即可。由于中间的匹配节点不存在其他相连的匹配边，所以这样做不会破坏匹配的性质。交换后，图中的匹配边数
二分图的最大匹配经典之匈牙利算法
Doctor的图论计划之——二分图最大匹配 第一讲二分图的最大匹配经典之匈牙利算法 二分图，顾名思义就是分成了两个部分的图……很白痴的解释（自己吐槽了先），但吐槽的同时我们也要发现一些二分图的基本性质！ 性质1 二分图之所以分成了两个部分，那是因为单独的一个部分中的任意两点不连通！ 性质2 二分图匹配——匈牙利算法中我们只需记录集合1到集合2的单向边就可以了（注意看上边的图，箭头是单向的）思考这是为什么！ 但是！二分图确实是无向图！！！只不过匈牙利算法只是从一个集合另一个集合走一遍罢了！！！！ 性质3 树是一种特殊的二分图！ 紫色的结点构成集合1，绿色的结点构成集合2，换句话说，儿子和爸爸打仗时爷爷和
孙子站在同一战线！（也可以认为是儿子和爸妈吵架时总是爷爷奶奶护着，小时候有这样的记忆没有？反正我没有！） PS：树就是无回路懂不？ 性质3 对于任意二分图，其包含的环一定全部是偶环！（充要可证） 可以证明，含有奇数条边的环一定有两个在相同集合内的点有边相连！ 也就是说——二分图的bfs子树一定不含奇环！ 接下来说一下二分图求最大匹配的算法——匈牙利算法 【例1】传说中的多米诺骨牌覆盖问题 在一个n*m的棋盘上，摆放一些1*2大小的多米诺骨牌，但棋盘某些地方是坏 掉的，即不能将骨牌置于这些坏掉的格子上，求最多能摆上的骨牌数量 【例2】传说中的猎人打鸟问题 猎人要在n*n的格子里打鸟,他可以在某一行中打一枪,这样此行中的所有鸟都被 打掉，也可以在某一列中打,这样此列中的所有鸟都打掉.问至少打几枪,才能打光 所有的鸟？ 【例3】传说中的搞对象问题 一保守教师想带学生郊游, 却怕他们途中谈恋爱,他认为满足下面条件之一的两 人谈恋爱几率很小: (1)身高差>40 (2) 性别相同(3) 爱好不同类型的音乐(4) 爱好同类型的运动 告诉你每个同学的信息，问老师最多能带多少学生？ 这样的问题如何解决？搜索？怎么搜？会不会超时？答案很简单，三道题中的元素都可以用很简单的方式分成两个互不相干的部分，因此可以用二分图匹配来解决这个问题：形象的说，我们规定搞基和百合都是不允许的，已知一群男人和女人，他们可以看做图中的顶点，男人构成了集合A,女人构成了集合B，边表示这名男人和这名女人互相有好感（可以配成一对）不考虑个人因素，现在希望为这些饥渴的男男女女找到最多的配对数（脚踏两只船也是不允许的！）为了解决这样的问题我们才引入了二分图的匹配算法——匈牙利算法！ 匈牙利算法是一种用增广路求二分图最大匹配的算法。它由匈牙利数学家Edmonds于1965年提出，因而得名。 如果暴搜的话那么无疑时间复杂度将成为O（2^E）！无法快速实现，于是我们就提出了更为高效的算法，这种算法是从网络流演变而来，但这里我们抛开所有网络流的知识，但从这一算法的角度来进行阐释！ 解释一些常用的名词 交错轨：所谓交错轨，还有一种更为文雅的说法叫增广轨，这种说法让人不禁联想到蛋疼的网络流算法，所以我更喜欢用一种与网络流无关的说法来称呼它，下面我们来举几个交错轨的例子：
用匈牙利算法求二分图的最大匹配
用匈牙利算法求二分图的最大匹配 什么是二分图，什么是二分图的最大匹配，这些定义我就不讲了，网上随便都找得到。二分图的最大匹配有两种求法，第一种是最大流（我在此假设读者已有网络流的知识）；第二种就是我现在要讲的匈牙利算法。这个算法说白了就是最大流的算法，但是它跟据二分图匹配这个问题的特点，把最大流算法做了简化，提高了效率。匈牙利算法其实很简单，但是网上搜不到什么说得清楚的文章。所以我决定要写一下。 最大流算法的核心问题就是找增广路径（augment path）。匈牙利算法也不例外，它的基本模式就是： 初始时最大匹配为空 while 找得到增广路径 do 把增广路径加入到最大匹配中去 可见和最大流算法是一样的。但是这里的增广路径就有它一定的特殊性，下面我来分析一下。 （注：匈牙利算法虽然根本上是最大流算法，但是它不需要建网络模型，所以图中不再需要源点和汇点，仅仅是一个二分图。每条边也不需要有方向。） 图1是我给出的二分图中的一个匹配：［1，5］和［2，6］。图2就是在这个匹配的基础上找到的一条增广路径：3->6->2->5->1->4。我们借由它来描述一下二分图中的增广路径的性质： (1)有奇数条边。 (2)起点在二分图的左半边，终点在右半边。 (3)路径上的点一定是一个在左半边，一个在右半边，交替出现。（其实二分图的性质就决定了这一点，因为二分图同一边的点之间没有边相连，不要忘记哦。） (4)整条路径上没有重复的点。 (5)起点和终点都是目前还没有配对的点，而其它所有点都是已经配好对的。（如图1、图2所示，［1，5］和［2，6］在图1中是两对已经配好对的点；而起点3和终点4目前还没有与其它点配对。） (6)路径上的所有第奇数条边都不在原匹配中，所有第偶数条边都出现在原匹配中。（如图1、图2所示，原有的匹配是［1，5］和［2，6］，这两条配匹的边在图2给出的增广路径中分边是第2和第4条边。而增广路径的第1、3、5条边都没有出现在图1给出的匹配中。） (7)最后，也是最重要的一条，把增广路径上的所有第奇数条边加入到原匹配中
常见仪器分析方法的缩写、谱图和功能说明
常见仪器分析方法的缩写、谱图和功能说明
A AAS 原子吸收光谱法AES 原子发射光谱法AFS 原子荧光光谱法ASV 阳极溶出伏安法ATR 衰减全反射法AUES 俄歇电子能谱法
CEP 毛细管电泳法 CGC 毛细管气相色谱法 CIMS 化学电离质谱法 CIP 毛细管等速电泳法 CLC 毛细管液相色谱法 CSFC 毛细管超临界流体色谱法CSFE 毛细管超临界流体萃取法CSV 阴极溶出伏安法 CZEP 毛细管区带电泳法 D DDTA 导数差热分析法 DIA 注入量焓测定法 DPASV 差示脉冲阳极溶出伏安法DPCSV 差示脉冲阴极溶出伏安法DPP 差示脉冲极谱法 DPSV 差示脉冲溶出伏安法DPVA 差示脉冲伏安法 DSC 差示扫描量热法 DTA 差热分析法 DTG 差热重量分析法
EAAS 电热或石墨炉原子吸收光谱法ETA 酶免疫测定法 EIMS 电子碰撞质谱法 ELISA 酶标记免疫吸附测定法EMAP 电子显微放射自显影法EMIT 酶发大免疫测定法 EPMA 电子探针X射线微量分析法ESCA 化学分析用电子能谱学法ESP 萃取分光光度法 F FAAS 火焰原子吸收光谱法FABMS 快速原子轰击质谱法FAES 火焰原子发射光谱法FDMS 场解析质谱法 FIA 流动注射分析法 FIMS 场电离质谱法 FNAA 快中心活化分析法 FT-IR 傅里叶变换红外光谱法 FT-NMR 傅里叶变换核磁共振谱法FT-MS 傅里叶变换质谱法
GC 气相色谱法 GC-IR 气相色谱-红外光谱法 GC-MS 气相色谱-质谱法 GD-AAS 辉光放电原子吸收光谱法 GD-AES 辉光放电原子发射光谱法 GD-MS 辉光放电质谱法 GFC 凝胶过滤色谱法 GLC 气相色谱法 GLC-MS 气相色谱-质谱法 H HAAS 氢化物发生原子吸收光谱法 HAES 氢化物发生原子发射光谱法 HPLC 高效液相色谱法 HPTLC 高效薄层色谱法 I IBSCA 离子束光谱化学分析法 IC 离子色谱法 ICP 电感耦合等离子体 ICP-AAS 电感耦合等离子体原子吸收光谱法ICP-AES 电感耦合等离子体原子发射光谱法ICP-MS 电感耦合等离子体质谱法
二分图最大匹配算法的应用及Matlab实现+++
一共有RecuCal.m LockMap.m BuildMatrix.m Edmonds.m GUI1.m 这几个文件，我把它们合到一块粘上去了,你再把他们分开保存就可以了. 其中前三个文件都是为建立邻接矩阵服务的，Edmonds.m是匈牙利算法的主文件，GUI1.m只是调用Edmonds.m做个界面而已。 调用关系是GUI1.m调用Edmonds.m；Edmonds.m调用BuildMatrix.m和LockMap.m ；LockMap.m调用RecuCal.m 最后运行GUI1.m就ok了 #LockMap.m function [LMA, LMB] = LockMap(n, m) % LOCKMAP - 求解满足条件锁并设置相应的映射 % 输入参数:n 表槽数,m 表高度数。 % 输出参数:LMA,LMB 分别为二维矩阵表示自然数到满足条件锁之间的映射。 global jiA ouB ary A B mm N N = n; mm = m; jiA=0; ouB=0; A=[]; B=[]; ary = zeros(1, n); RecuCal(n); LMA=A; LMB=B; [lena, n] = size(LMA); [lenb, n] =size(LMB); if lena>lenb temp = LMA; LMA=LMB;LMB=temp; temp = lena;lena=lenb;lenb=temp; end #RecuCal.m function RecuCal(n) % RECUCAL - 递归函数 global jiA ouB ary A B mm N if n ==1 for k=1:mm % 调用递归函数时要用到的变量所以 % 设为全局 ary(1) = k; Max = max(ary); Min = min(ary); num = 0; neighbor = 0; for i=1:N num = num + (Max-ary(i))*(ary(i)-Min);
热分析常用方法及谱图
常用的热分析方法 l热重法（Thermogravimetry TG） l 差示扫描量热仪(Differential Scanning Calorimetry DSC）l 差热分析（Differential Thermal Analysis DTA） l 热机械分析（Thermomechanical Analysis TMA） l 动态热机械法（Dynamic Mechanical Analysis DMA） 谱图分析的一般方法 《热分析导论》刘振海主编 《分析化学手册》热分析分册 TGA DSC 分析图谱的一般方法——TGA 1. 典型图谱 分析图谱的一般方法——TGA的实测图谱
I、PVC 35.26% II、Nylon 6 25.47% III、碳黑14.69% IV、玻纤24.58% 已知样品的图谱分析 与已知样品各方面特性结合起来分析 如：无机物（黏土、矿物、配合物）、生物大分子、高分子材料、金属材料等热分析谱图都有各自的特征峰。 与测试的仪器、条件和样品结合起来分析 仪器条件样品 应用与举例 TGA DSC/DTA TMA 影响测试图谱结果的因素——测试条件 TGA 升温速率 样品气氛
扫描速率 样品气氛 升温速率对TGA 曲线的影响 气氛对TGA 曲线的影响 PE TGA-7 测试条件： 扫描速率：10C/min 气氛：a. 真空 b. 空气 流量：20ml/min 样品：CaCO3（AR） 过200目筛，3-5mg 扫描速率对DSC/DTA曲线的影响气氛对DSC/DTA曲线的影响 气氛的性质
两个氧化分解峰 曲线b： 一个氧化分解峰， 和一个热裂解峰 影响测试图谱结果的因素——样品方面 TGA/DSC/DTA 样品的用量 样品的粒度与形状 样品的性质 样品用量对TGA/DSC/DTA曲线的影响 样品的粒度与形状对曲线的影响——TGA/DSC/DTA 样品的性质对曲线的影响——TGA/DSC/DTA TGA/ DSC/DTA 热分析曲线的形状随样品的比热、导热性和反应性的不同而不同。即使是同种物质，由于加工条件的不同，其热谱图也可能不同。如PET树脂，经过拉伸过的PET树脂升温结晶峰就会消失。 PET 树脂的DSC 曲线 TGA应用 成分分析 无机物、有机物、药物和高聚物的鉴别与多组分混合物的定量分析。游离水、结合水、结晶水的测定，残余溶剂或单体的测定、添加剂的测定等。 热稳定性的测定 物质的热稳定性、抗氧化性的测定，热分解反应的动力学研究等 居里点的测定 磁性材料居里点的测定 可用TGA测量的变化过程
Ku二分图最大权匹配(KM算法)hn
Kuhn-Munkres 算法
Maigo 的 KM 算法讲解（的确精彩）
KM 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 Yi 的顶标为 B[i]，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：
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。 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。 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。 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}。 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 slack 值都减去 d。
热分析方法的多种联用
热分析方法的多种联用 热分析是表征材料的基本方法之一，多年以来一直广泛应用于科研和工业中。近年来在各个领域，都有了长足发展。根据DIN EN ISO 9000 标准，热分析仪器已经成为QA/QC、工业实验室和研究开发中不可缺少的设备。 热分析是测量物质的物理或化学参数对温度的依赖关系的一种分析方法。热分析可应用于成分分析（如无机物、有机物、药物和高聚物的鉴别和分析以及它们的相图研究），稳定性测定（如物质的热稳定性、抗氧化性能的测定等），化学反应的研究（如固-气反应研究、催化性能测定、反应动力学研究、反应热测定、相变和结晶过程研究），材料质量测定（如纯度测定、物质的玻璃化转变和居里点、材料的使用寿命测定）以及环境监测（研究蒸汽压、沸点、易燃性等）。热分析方法的种类是多种多样的，根据国际热分析协会(ICTA)的归纳和分类，目前的热分析方法共分为九类十七种，在这些热分析技术中，热重法、差热分析、差示扫描量热法和热机械分析应用得最为广泛。差热分析、热重分析、差示扫描量热分析、热机械分析可用于研究物质的晶型转变、融化、升华、吸附等物理现象以及脱水、分解、氧化、还原等化学现象。快速提供被研究物质的热稳定性、热分解产物、热变化过程的焓变、各种类型的相变点、玻璃化温度、软化点、比热、纯度、爆破温度和高聚物的表征及结构性能等。 目前，热分析仪器发展的一个趋势是将不同仪器的特长和功能相结合，实现联用分析，扩大分析范围。一般来说，每种热分析技术只能了解物质性质及其变化的某些方面，而一种热分析手段与别的热分析段或其它分析手段联合使用，都会收到互相补充，互相验证的效果，从而获得更全面更可靠的信息。如DTA-TG、DSC-TG、DSC-TG-DTG、DTA-TMA、DTA-TG-TMA等的综合以及TG与气相色谱（GC）、质谱（MS）、红外光谱（IR）等仪器的联用分析，热分析联用种类有很多，下面举几例加以简单说明。 热重分析法(Thermogravimetric Analysis.简称TG)是在程序控制温度下，测量物质质量与温度关系的一种技术。许多物质在加热过程中常伴随质量的变化，这种变化过程有助于研究晶体性质的变化，如熔化、蒸发、升华和吸附等物质的物理现象；也有助于研究物质的脱水、解离、氧化、还原等物质的化学现象。热重分析法通常可分为两大类：静态法和动态法。静态法是等压质量变化的测定，是指一物质的挥发性产物在恒定分压下，物质平衡与温度T的函数关系。以失重为纵坐标，温度T为横坐标作等压质量变化曲线图。等温质量变化的测定是指一物质在恒温下，物质质量变化与时间t的依赖关系，以质量变化为纵坐标，以时间为横坐标，获得等温质量变化曲线图。动态法是在程序升温的情况下，测量物质质量的变化对时间的函数关系。热重法实验得到的曲线称为热重曲线(TG曲线) 如图1曲线a所示。TG曲线以质量作纵坐标，从上向下表示质量减少；以温度(或时间)作横坐标，自左至右表示温度(或时间)增加。
二分图及二分图匹配
9.1 二 分 图 9.1.1 二分图的基本概念 定义9.1 无向图G =
证 先证必要性。 设G为二分图
二分图最大匹配及常用建图方法
算法———艺术 二分图匹配剖析 很多人说，算法是一种艺术。但是对于初学者的我，对算法认识不是很深刻，但偶尔也能感受到他强大的魅力与活力。这让我追求算法的脚步不能停止。下面我通过分析匈牙利算法以及常用建图方式，与大家一起欣赏算法的美。 匈牙利算法 匈牙利算法是用来解决最大二分图匹配问题的，所谓二分图即“一组点集可以分为两部分，且每部分内各点互不相连，两部分的点之间可以有边”。所谓最大二分图匹配即”对于二分图的所有边，寻找一个子集，这个子集满足两个条件， 1：任意两条边都不依赖于同一个点。 2：让这个子集里的边在满足条件一的情况下尽量多。首先可以想到的是，我们可以通过搜索，找出所有的这样的满足上面条件的边集，然后从所有的边集中选出边数最多的那个集合，但是我们可以感觉到这个算法的时间复杂度是边数的指数级函数，因此我们有必要寻找更加高效的方法。目前比较有效的方法有匈牙利算法和通过添加汇点和源点的网络流算法，对于点的个数都在200 到300 之间的数据，我们是采取匈牙利算法的，因为匈牙利算法实现起来要比网络流简单些。下面具体说说匈牙利算法：介绍匈牙利之前，先说说“增广轨”。 定义： 若P是图G中一条连通两个未匹配顶点的路径，并且属最大匹配边集M的边 和不属M的边(即已匹配和待匹配的边)在P上交替出现，则称P为相对于M的 一条增广轨 定义总是抽象的下面通过图来理解它。 图中的线段（2->3, 3->1, 1->4）便是上面所说的p路径， 我们假定边（1,3）是以匹配的边，（2,3）（1,4）是未匹配 的边，则边（4,1）边（1,3）和边（3,2）在路径p上交 替的出现啦，那么p就是相对于M的一条增广轨，这样我 们就可以用边1,4 和边2,3来替换边1,3 那么以匹配的边 集数量就可以加1,。
二分图的匹配.
第九章二分图中的匹配 三个典型问题： （1）在一个有禁止位置的m×n棋盘上，能放置非攻击型车的最多个数是多少？ （2）在一个有禁止位置的m×n棋盘上，能放置多米诺牌覆盖的最多个数是多少？ （3）一个公司有n个工作空缺，需要有一定技能的人填补，同时有m个人申请这些项工作，每人能胜任n项工作中的若干项，问最多有多少项工作能找到合适的 人选？ 9.1 一般的问题描述 定义1： 令X={x1, x2, …,x m}, Y={y1,y2, …,y n},且X∩Y＝Ф，而△是序偶e=(x,y)的集合，其中x ∈X,y∈Y,那么三元组G＝（X，△，Y）称作二分图。 定义2： 令G＝（X，△，Y）是一个二分图，边集△的子集M，若M中没有两条边存在公共点，称M是二分图G的一个匹配。 定义3： 设G是一个二分图，定义ρ（G）＝{∣M∣:M是G的一个匹配}为二分图G的最大匹配边数。 9.2 匹配 定义1： G＝（X，△，Y），X={x1, x2, …,x m}, Y={y1,y2, …,y n}，满足∣M*∣=ρ（G）的匹配M*称为二分图G的最大匹配。一般M*不唯一，且∣M*∣=ρ（G）≤min{m,n}。 寻找M*的困难点： （1）若已知ρ（G），那么遍历所有可能的匹配会找到M*，但搜索量巨大； （2）一般ρ（G）并不事先知道，要找到M*，并求出ρ（G）＝∣M*∣难度更大。 定义2： 令u和v是二分图G＝（X，△，Y）的任意两个顶点，连接u和v的互异顶点序列：γ：u=u0, u1, u2, …, u p-1, u p=v 使得任意两个相邻顶点有一条边连接，即：{ u0, u1},{ u1, u2},…, { u p-1, u p}∈△,那么称序列γ为二分图G的一个链。链长等于序列的边数p，若u=v, 链γ也叫圈。 定义3： 令M为二分图G＝（X，△，Y）中的一个匹配，令M是M的补集，即G的不属于M的边集合，M∪M＝△。令u和v是顶点，且u和v一个是左顶点（即属于X），一个是右顶点（即属于Y），若连接u和v的链满足下列性质： （1）γ的第一、三、五、、、边属于M；
二分图匹配模板.
1、图论—匹配 4。1 二分图最大匹配(hungary邻接表) //二分图最大匹配,hungary算法,邻接表形式,复杂度O(m*e) //返回最大匹配数,传入二分图大小m,n和邻接表list(只需一边) //match1,match2返回一个最大匹配,未匹配顶点match值为-1 #include