二分图的最大匹配
图论：二分图多重匹配
图论：⼆分图多重匹配使⽤最⼤流和费⽤流解决⼆分图的多重匹配之前编辑的忘存了好⽓啊。
本来打算学完⼆分图的乱七⼋糟的匹配之后再去接触⽹络流的，提前撞到了之前我们说的⼆分图最⼤匹配和⼆分图最⼤权匹配有⼀个特点，那就是没个点只能与⼀条边相匹配如果规定⼀个点要与L条边相匹配，这样的问题就是⼆分图的多重匹配问题然后根据边是否带权重，⼜可以分为⼆分图最⼤多重匹配和⼆分图最⼤权多重匹配（⼆分图多重最佳完美匹配）⾸先给出⼆分图多重最⼤匹配的做法：在原图上建⽴源点S和汇点T，S向每个X⽅点连⼀条容量为该X⽅点L值的边，每个Y⽅点向T连⼀条容量为该Y⽅点L值的边原来⼆分图中各边在新的⽹络中仍存在，容量为1（若该边可以使⽤多次则容量⼤于1），求该⽹络的最⼤流，就是该⼆分图多重最⼤匹配的值然后给出⼆分图多重最优匹配（⼆分图多重最⼤权匹配）的做法：在原图上建⽴源点S和汇点T，S向每个X⽅点连⼀条容量为该X⽅点L值、费⽤为0的边，每个Y⽅点向T连⼀条容量为该Y⽅点L值、费⽤为0的边原来⼆分图中各边在新的⽹络中仍存在，容量为1（若该边可以使⽤多次则容量⼤于1），费⽤为该边的权值。
求该⽹络的最⼤费⽤最⼤流，就是该⼆分图多重最优匹配的值这道题⾥⾯，⼀共有X⽅点这么多的电影，每个电影需要拍摄多少天就是对应的X⽅点L值，然后每⼀天是⼀个Y⽅点，由于每⼀天只能拍摄⼀部电影，所有Y⽅点的L值均为1下⾯介绍⼀下实现：int n,sum,cnt,ans;int g[maxn],cur[maxn];int str[25][10];struct Edge{int u,v,next,cap,flow;}e[maxm];这⾥⾯的cur数组是g数组的临时数组str⽤来保存每⼀个电影可以在哪⼀天拍摄Edge是⽹络流图⾥⾯的边void addedge(int u,int v,int c){e[++cnt].u=u;e[cnt].v=v;e[cnt].cap=c;e[cnt].flow=0;e[cnt].next=g[u];g[u]=cnt;e[++cnt].u=v;e[cnt].v=u;e[cnt].cap=0;e[cnt].flow=0;e[cnt].next=g[v];g[v]=cnt;}建图的时候，注意怎么赋值的接下来根据题意建图：for(int i=1;i<=n;i++){for(int j=1;j<=7;j++)scanf("%d",&str[i][j]);scanf("%d%d",&d,&w);sum+=d;addedge(0,i,d); //容量为需要多少天for(int j=1;j<=7;j++)for(int k=0;k<w;k++)if(str[i][j]) addedge(i,20+k*7+j,1);}for(int i=21;i<=370;i++) addedge(i,371,1);ans=maxflow(0,371);0为源点，371为汇点sum最后进⾏⼀个统计，和源点出发的最⼤流量进⾏⽐较，如果相等，说明电影排的开然后是求最⼤流的⼀个板⼦int maxflow(int st,int ed){int flowsum=0;while(bfs(st,ed)){memcpy(cur,g,sizeof(g));flowsum+=dfs(st,ed,INF);//cout<<"#"<<flowsum<<" ";}return flowsum;}具体的DFS和BFS这⾥不作为重点，以后再说下⾯给出完整的实现：1 #include<cstdio>2 #include<cstring>3 #include<algorithm>4using namespace std;5const int INF=1000000000;6const int maxn=1005;7const int maxm=20005;8int n,sum,cnt,ans;9int g[maxn],cur[maxn];10int str[25][10];11struct Edge{int u,v,next,cap,flow;}e[maxm];12void addedge(int u,int v,int c)13 {14 e[++cnt].u=u;e[cnt].v=v;e[cnt].cap=c;15 e[cnt].flow=0;e[cnt].next=g[u];g[u]=cnt;1617 e[++cnt].u=v;e[cnt].v=u;e[cnt].cap=0;18 e[cnt].flow=0;e[cnt].next=g[v];g[v]=cnt;19 }20int q[maxn],vis[maxn],d[maxn];21bool bfs(int st,int ed)22 {23 memset(q,0,sizeof(q));24 memset(vis,0,sizeof(vis));25 memset(d,-1,sizeof(d));26 vis[st]=1;d[st]=0;27int h=0,t=1;28 q[t]=st;29while(h!=t)30 {31 h=h%maxn+1;32int u=q[h];33for(int tmp=g[u];tmp;tmp=e[tmp].next)34 {35if(!vis[e[tmp].v]&&e[tmp].cap>e[tmp].flow)36 {37 vis[e[tmp].v]=1;38 d[e[tmp].v]=d[u]+1;39if(e[tmp].v==ed) return true;40 t=t%maxn+1;41 q[t]=e[tmp].v;42 }43 }44 }45return false;46 }47int getpair(int x)48 {49if(x%2==0)50return x-1;51else return x+1;52 }53int dfs(int x,int ed,int a)54 {55if(x==ed||a==0) return a;56int flow=0,f;57for(int tmp=cur[x];tmp;tmp=e[tmp].next)58 {59if(d[e[tmp].v]==d[x]+1&&(f=dfs(e[tmp].v,ed,min(a,e[tmp].cap-e[tmp].flow)))>0)60 {61 e[tmp].flow+=f;62 e[getpair(tmp)].flow-=f;63 a-=f;64 flow+=f;65if(a==0) break;66 }67 }68return flow;69 }70int maxflow(int st,int ed)71 {72int flowsum=0;73while(bfs(st,ed))74 {75 memcpy(cur,g,sizeof(g));76 flowsum+=dfs(st,ed,INF);77//cout<<"#"<<flowsum<<" ";78 }79return flowsum;8081 }82void init()83 {84 sum=cnt=0;85 memset(g,0,sizeof(g));86 }87int main()88 {89int T,d,w;90 scanf("%d",&T);91while(T--)92 {93 init();94 scanf("%d",&n);95for(int i=1;i<=n;i++)96 {97for(int j=1;j<=7;j++)98 scanf("%d",&str[i][j]);99 scanf("%d%d",&d,&w);100 sum+=d;101 addedge(0,i,d); //容量为需要多少天102for(int j=1;j<=7;j++)103for(int k=0;k<w;k++)104if(str[i][j]) addedge(i,20+k*7+j,1);105 }106for(int i=21;i<=370;i++) addedge(i,371,1);107 ans=maxflow(0,371);108if(ans==sum) printf("Yes\n");109else printf("No\n");110 }111return0;112 }据说这是典型的最⼤流题⽬，然⽽为了强⾏安利⼀波⼆分图的多重匹配，就不说成那个了。
python实现匈牙利算法求解二分图最大匹配
python实现匈⽛利算法求解⼆分图最⼤匹配重点：理解和取反1. 匈⽛利算法求解⽬标：找到⼆分图的最⼤匹配整体思路：每⼀步寻找⼀条增⼴路径，取反2. 关键步骤⼆分图的顶点分为左边点集X和右边点集Y，假定遍历的点集是X。
对于每⼀次迭代的点x_i，1. 搜索增⼴路径：遍历x_i的邻接节点y_j1. 如果y_j未匹配，则找到增⼴路2. 如果y_j已匹配，则寻找y_j的匹配节点的增⼴路径（深搜或者⼴搜）2. 取反：把增⼴路径中的已经匹配边改成未匹配；未匹配的改成匹配3. python代码算法输⼊为字典形式的特殊邻接表。
特殊之处在于字典的键和值的顶点分别属于⼆分图的左右点集合。
深度搜索增⼴路径函数的参数中的visited_set的作⽤是避免重复访问。
# 匈⽛利算法（dfs）class Hungarian:def search_extend_path(self, l_node, adjoin_map, l_match, r_match, visited_set):'''深度搜索增⼴路径'''for r_node in adjoin_map[l_node]: # 邻接节点if r_node not in r_match.keys(): # 情况1：未匹配, 则找到增⼴路径，取反l_match[l_node] = r_noder_match[r_node] = l_nodereturn Trueelse: # 情况2： 已匹配next_l_node = r_match[r_node]if next_l_node not in visited_set:visited_set.add(next_l_node)if self.search_extend_path(next_l_node, adjoin_map, l_match, r_match, visited_set): # 找到增⼴路径，取反l_match[l_node] = r_noder_match[r_node] = l_nodereturn Truereturn Falsedef run(self, adjoin_map):''':param adjoin_map: {x_i: [y_j, y_k]}:return:'''l_match, r_match = {}, {} # 存放匹配for lNode in adjoin_map.keys():self.search_extend_path(lNode, adjoin_map, l_match, r_match, set())return l_match。
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。
利用匈牙利算法求完美匹配例题
一、概述匈牙利算法是一种用于求解二分图最大匹配的经典算法，它的时间复杂度为O(n^3)，在实际应用中具有广泛的用途。
本文将通过一个具体的例题，详细介绍利用匈牙利算法求解完美匹配的具体步骤和方法。
二、问题描述假设有一个二分图G=(V, E)，其中V={U,V}，U={u1,u2,u3}，V={v1,v2,v3}，E={(u1,v1),(u1,v2),(u2,v2),(u3,v3)}，现在希望求解这个二分图的最大匹配。
三、匈牙利算法详解1. 初始化：需要初始化一个大小为|U|的数组match[]，用来记录每一个U中的顶点匹配的V中的顶点，初始化为-1，表示初始时没有匹配的顶点。
2. 寻找增广路径：通过遍历U中的每一个顶点，逐个寻找增广路径。
对于每一个未匹配的顶点，都尝试进行增广路径的寻找。
3. 匹配顶点：如果找到了一条增广路径，将增广路径上的顶点逐个匹配，并更新match[]数组。
4. 寻找最大匹配：重复上述步骤，直至无法继续寻找增广路径为止，此时match[]数组中记录的就是二分图的最大匹配。
四、具体例题求解接下来通过一个具体的例题来详细介绍匈牙利算法的求解过程。
假设有一个二分图G=(V, E)，其中V={U,V}，U={u1,u2,u3}，V={v1,v2,v3}，E={(u1,v1),(u1,v2),(u2,v2),(u3,v3)}。
首先初始化match[]数组为{-1,-1,-1}。
（1）对u1进行增广路径的寻找由于u1未匹配，从u1开始寻找增广路径。
首先考虑与u1相连的v1和v2。
对v1进行匹配，得到match[0]为1。
对v2进行匹配，得到match[0]为1。
（2）对u2进行增广路径的寻找由于u2未匹配，从u2开始寻找增广路径。
考虑与u2相连的v2。
对v2进行匹配，得到match[1]为2。
（3）对u3进行增广路径的寻找由于u3未匹配，从u3开始寻找增广路径。
考虑与u3相连的v3。
对v3进行匹配，得到match[2]为3。
最大权匹配KM算法
最大权匹配KM算法
KM算法（Kuhn–Munkres算法，也称为匈牙利算法）是由Kuhn于
1955年和Munkres于1957年分别提出的，用于解决二分图最大匹配问题。
该算法的核心思想是基于匈牙利算法的增广路径，通过构建一个增广路径
来不断更新匹配，直到无法找到增广路径为止。
算法流程如下：
2.从G的每个未匹配顶点开始，通过增广路径将其标记为可增广点；
3.当存在增广路径时，将匹配的边进行反向操作，直到不存在增广路径；
4. 利用增广路径的反向操作可以修改lx和ly的值，使其满足特定
约束条件；
5.通过相等子图的扩展来实现增广路径的；
6.重复步骤3-5，直到不存在更多的增广路径；
7.返回找到的最大匹配。
具体实现时，对于增广路径的可以利用DFS或BFS等方法进行，当找
到一个增广路径时，通过反向操作修改匹配情况，并更新lx和ly的值。
同时，算法还可以使用增广路径来调整优化标号，以减少匹配时间。
KM算法是一种高效的解决最大权匹配问题的方法，其时间复杂度为
O(V^3)，其中V为图的顶点数。
算法的核心思想是利用二分图中的相等子
图来查找增广路径，并通过修改顶点的标号来实现最大匹配。
总之，最大权匹配KM算法是一个解决带权无向二分图最大匹配问题
的高效算法，通过不断寻找增广路径并调整顶点的标号来实现最大权匹配。
它的思想简单而有效，可以广泛应用于各种实际问题中。
指派问题匈牙利算法步骤
匈牙利算法是解决二分图最大匹配问题的经典算法。
以下是匈牙利算法的步骤：
初始化：创建一个二分图，并将所有边的匹配状态初始化为未匹配。
选择一个未匹配的左侧顶点作为起始点，开始进行增广路径的寻找。
在增广路径的寻找过程中，首先选择一个未访问的左侧顶点作为当前路径的起点。
针对当前路径的起点，依次遍历与其相邻的右侧顶点。
对于每个右侧顶点，如果该顶点未被访问过，则标记为已访问，并判断该顶点是否已匹配。
如果该右侧顶点未匹配，则找到了一条增广路径，结束路径的寻找过程。
如果该右侧顶点已匹配，将其与之匹配的左侧顶点标记为已访问，并继续寻找与该左侧顶点相邻的右侧顶点，构建新的路径。
如果当前路径无法找到增广路径，则回溯到上一个路径的起点，并继续寻找其他路径。
当所有的路径都无法找到增广路径时，算法结束。
根据最终得到的匹配结果，即可得到二分图的最大匹配。
这些步骤描述了匈牙利算法的基本流程。
具体实现时，可以采用递归或迭代的方式来寻找增广路径，通过标记顶点的访问状态来进行路径的选择和回溯。
算法的时间复杂度为O(V*E)，其中V是顶点的数量，E是边的数量。
二分图匹配(匈牙利算法)
KM算法
对于任意的G和M,可行顶标都是存在的: l(x) = maxw(x,y) l(y) = 0 欲求完全二分图的最佳匹配,只要用匈牙利算法求 其相等子图的完备匹配;问题是当标号之后的Gl无 完备匹配时怎么办?1957年(居然比匈牙利算法 早???),Kuhn和Munkras给出了一个解决该问 题的有效算法,用逐次修改可行顶标l(v)的办法使对 应的相等子图之最大匹配逐次增广,最后出现完备 匹配.
例题3 打猎 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? 建图:二分图的X部为每一行,Y部为每一列, 如果(i,j)有一只鸟,那么连接X部的i与Y部的j. 该二分图的最大匹配数则是最少要打的枪数.
1 2 3 4 5
1 2 5 3 4
1
2
3
4
由于每条边表示一个空地,有冲 突的空地之间必有公共顶点,所 以问题转化为二部图的最大匹配 问题.
1 2Leabharlann 34例题1 Place the Robots(ZOJ) 小结
比较前面的两个模型:模型一过于简单,没有给问 题的求解带来任何便利;模型二则充分抓住了问题的内 在联系,巧妙地建立了二部图模型.为什么会产生这种 截然不同的结果呢?其一是由于对问题分析的角度不同: 模型一以空地为点,模型二以空地为边;其二是由于对 原型中要素的选取有差异:模型一对要素的选取不充分, 模型二则保留了原型中"棋盘"这个重要的性质.由此 可见,对要素的选取,是图论建模中至关重要的一步.
例题4 最小路径覆盖 一个不含圈的有向图G中,G的一个路径覆盖 是一个其结点不相交的路径集合P,图中的每 一个结点仅包含于P中的某一条路径.路径可 以从任意结点开始和结束,且长度也为任意 值,包括0.请你求任意一个不含圈的有向图 G的最小路径覆盖数. 理清一个关系:最小路径覆盖数=G的定点 数-最小路径覆盖中的边数
指派问题的数学模型
指派问题的数学模型
数学中有多种指派问题模型，以下是几个常见的：
1. 二分图匹配模型：将指派问题看作是二分图中的最大匹配问题。
将待分配的任务和接受任务的对象分别看作是二分图中的两个部分，将每个待分配任务和每个对象之间连一条边，并赋予权值表示在该情况下指派此任务给此对象的效果。
最终目标是找到一种方案，使得总权值最大。
2. 匈牙利算法：是解决二分图匹配问题的经典算法，能够在多项式时间内求解最大匹配问题。
3. 线性规划模型：将指派问题转化为线性规划模型，通过最小化或最大化某个目标函数的方式，得到满足约束条件的最优解。
4. 费用流模型：将指派问题看作是最小费用最大流问题，将待分配的任务看作源点，接受任务的对象看作汇点，建立相应的网络流模型，并加入相应的约束条件，通过找到最小费用最大流的方式得到最优解。