-
KM算法
鎖定
- 中文名
- KM算法
- 用 途
- 求的是完備匹配下的最大權匹配
- 基本原理
- 相等子圖等
- 注 意
- 找匹配時USED都是清0的等
KM算法解決思路
基本原理
該算法是通過給每個頂點一個標號(叫做頂標)來把求最大權匹配的問題轉化為求完備匹配的問題的。設頂點
的頂標為
,頂點
的頂標為
,頂點
與
之間的邊權為
。在算法執行過程中的任一時刻,對於任一條邊
,
始終成立。
KM算法的正確性基於以下定理:
若由二分圖中所有滿足
的邊
構成的子圖(稱做相等子圖)有完備匹配,那麼這個完備匹配就是二分圖的最大權匹配。
首先解釋下什麼是完備匹配,所謂的完備匹配就是在二部圖中,
點集中的所有點都有對應的匹配且
點集中所有的點都有對應的匹配,則稱該匹配為完備匹配。
這個定理是顯然的。因為對於二分圖的任意一個匹配,如果它包含於相等子圖,那麼它的邊權和等於所有頂點的頂標和;如果它有的邊不包含於相等子圖,那麼它的邊權和小於所有頂點的頂標和。所以相等子圖的完備匹配一定是二分圖的最大權匹配。
初始時為了使
恆成立,令
為所有與頂點
關聯的邊的最大權,
。如果當前的相等子圖沒有完備匹配,就按下面的方法修改頂標以使擴大相等子圖,直到相等子圖具有完備匹配為止。
我們求當前相等子圖的完備匹配失敗了,是因為對於某個
頂點,我們找不到一條從它出發的交錯路。這時我們獲得了一棵交錯樹,它的葉子結點全部是
頂點。我們把交錯樹中
頂點的頂標全都減小某個值
,
頂點的頂標全都增加同一個值
,那麼我們會發現:
1.兩端都在交錯樹中的邊
,
的值沒有變化。也就是説,它原來屬於相等子圖,仍屬於相等子圖。
2.兩端都不在交錯樹中的邊
,
和
都沒有變化。也就是説,它原來屬於(或不屬於)相等子圖,仍屬於(或不屬於)相等子圖。
3.
端不在交錯樹中,
端在交錯樹中的邊
,它的
的值有所增大。它原來不屬於相等子圖,仍不屬於相等子圖。
4.
端在交錯樹中,
端不在交錯樹中的邊
,它的
的值有所減小。它原來不屬於相等子圖,可能進入了相等子圖,因而使相等子圖得到了擴大。
5.到最後,
端每個點至少有一條線連着,
端每個點有一條線連着,説明最後補充完的相等子圖一定有完備匹配。(若由二分圖中所有滿足
的邊
構成的子圖(稱做相等子圖)有完備匹配,那麼這個完備匹配就是二分圖的最大權匹配。)
問題就是求
值了。為了使
始終成立,且至少有一條邊進入相等子圖,
應該等於:
(
在交錯樹中,
不在交錯樹中)。
改進
以上就是KM算法的基本思路。但是樸素的實現方法,時間複雜度為
——需要找
次增廣路,每次增廣最多需要修改
次頂標,每次修改頂標時由於要枚舉邊來求
值,複雜度為
。實際上KM算法的複雜度是可以做到
的。我們給每個
頂點一個“鬆弛量”函數
,每次開始找增廣路時初始化為無窮大。在尋找增廣路的過程中,檢查邊
時,如果它不在相等子圖中,則讓
變成原值與
的較小值。這樣,在修改頂標時,取所有不在交錯樹中的
頂點的
值中的最小值作為
值即可。但還要注意一點:修改頂標後,要把所有的不在交錯樹中的
頂點的
值都減去
。
Kuhn-Munkres算法流程:
(1)初始化可行頂標的值;
(2)用匈牙利算法尋找完備匹配;
(3)若未找到完備匹配則修改可行頂標的值;
(4)重複(2)(3)直到找到相等子圖的完備匹配為止。
C/C++代碼
const int N = 20, inf = 2147483647; int w[N][N], linky[N], visx[N], visy[N], lack; int lx[N] = {0}, ly[N] = {0}; //頂標 bool find(int x) { visx[x] = true; for (int y = 0; y < N; ++y) { if (visy[y]) continue; int t = lx[x] + ly[y] - w[x][y]; if (!t) { visy[y] = true; if (!~linky[y] || find(linky[y])) { linky[y] = x; return true; } } else lack = min(lack, t); } return false; } void km() { memset(linky, -1, sizeof(linky)); for (int i = 0; i < N; ++i) for (int j = 0; j < N; ++j) lx[i] = max(lx[i], w[i][j]); //初始化頂標 for (int x = 0; x < N; ++x) for (; ;) { memset(visx, 0, sizeof(visx)); memset(visy, 0, sizeof(visy)); lack = inf; if (find(x)) break; for (int i = 0; i < N; ++i) { if (visx[i]) lx[i] -= lack; if (visy[i]) ly[i] += lack; } } }
KM算法和最大匹配(匈牙利算法)
2010.7.18
匈牙利算法的分析與運用:
匈牙利算法的精髓在於USED哈希數組的使用,下面是匈牙利算法的主要模塊:
function find(x:longint):boolean; var kkk, i, j:longint; begin for j := 1 to m do if (line[x,j]) and (not used[j]) then begin used[j] := true; if (mm[j]=0) or (find(mm[j])) then begin mm[j] := x; exit(true); end; end; exit(false); end;
在原程序進行調用是也就是簡簡單單的一句話:
for i := 1 to n do begin fillchar(used, sizeof(used), 0); if find(i) then inc(all); end;
KM算法注意事項
每一次找匹配時USED都是清0的,這是為了記錄什麼可以找,什麼不可以找,説白了,這個模塊就是一個遞歸的過程,USED的應用就是為了限制遞歸過程中的尋找範圍,從而達到“不好則換,換則最好”,這裏的最好是“新換”中最好的。
匈牙利算法解題是極為簡單的,但是圖論的難並不是難在解答,而是建圖的過程,也難怪會有牛曰:用匈牙利算法,建圖是痛苦的,最後是快樂的。當然,我們這些蒟蒻也只能搞搞NOIP了,一般不會太難,所以此算法,極為好用。
KM算法:
最大流的KM算法,又算的上算法世界中的一朵奇葩了。
下面是KM算法的核心模塊:
function find(x:byte):boolean; var y:byte; begin find := false; vx[x] := true; for y := 1 to n do if (not vy[y]) and (lx[x] + ly[y] = w[x,y]) then begin vy[y] := true; if (aim[y] = 0) or (find(aim[y])) then begin aim[y] := x; exit(true); end; end; end;
可以見出,該模塊與匈牙利算法極為相似,差別便是:
if (not vy[y]) and (lx[x] + ly[y] = w[x,y])
判斷語句了,這裏涉及到KM算法的思想,不再贅述,請自行百度之。
但是源程序的調用過程煩雜:
for k := 1 to n do repeat fillchar(vx, sizeof(vx), 0); fillchar(vy, sizeof(vy), 0); if (find(k)) then break; d := maxn; for i := 1 to n do if (vx[i]) then for j := 1 to n do if (not vy[j]) then d := min(d, lx[i] + ly[j] - w[i,j]); for i := 1 to n do begin if (vx[i]) then dec(lx[i], d); if (vy[i]) then inc(ly[i], d); end; until false;