26.1流量網路與流量.pptVIP

Chapter 26Maximum Flow 26.1 流量網路與流量 Flow network(流量網路) G=(V,E)是一個有向圖，每一邊(u,v)∈E均有Capacity(容量) c(u,v)0。如c(u,v)=0即代表(u,v)?E 。 流量網路與流量 令s為Source vertex，t為Sink vertex。一個Flow(流量)係一函數f：V×V?R，對任兩點u,v而言滿足下列性質： Capacity constraint: f(u,v)≤c(u,v) Skew symmetric: f(u,v)=-f(v,u) Flow conservation: 若u∈V-{s,t}，則Σw∈Vf(u,w)=0。 |f|=Σv∈Vf(s,v)稱作流量f的值。 最大流量問題 給一流量網路G，Source s以及Sink t。求出具有最大值的流量f。 Residue Network與Augmenting Path 由一Flow network G及一Flow f所導出的Residue network Gf為一個Flow network，其Capacity cf(u,v)=c(u,v)-f(u,v)。 一個Flow network G及Flow f所導出的Augmenting path即是Residue network Gf上一個s?t的路徑p。 Residue Network與Augmenting Path 如果一Flow network找的到Augmenting path代表可以找到一個Flow f，其值大於0。 如一Flow network G及一Flow f所導出的Residue network Gf，以找不到任何Augmenting path，則f是最大流量。 26.2 Ford-Fulkerson演算法 主要是利用Residue network的觀點來找出Maxium flow。 重複下列動作直到找不到Augmenting path為止。 找出Augmenting path p。 將Flow f沿著p增加min{cf(u,v):(u,v)在p上}，即residue network Gf中路徑p上最小的Capacity。 Ford-Fulkerson(G,s,t) { for each edge (u,v)∈E[G] do f[u,v]?0 f[v,u]?0 while ? path p from s to t on Gf do cf(p)?min{cf(u,v):(u,v) is in p} for each (u,v) in p do f[u,v]?f[u,v]+cf(p) f[v,u]?-f[u,v] return f } Edmonds-Karp演算法 使用Breadth-first search來找Augmenting path。 主要能夠避免下面這種情形發生：每次找出的Augmenting path是(s,b,a,t)跟(s,a,b,t)交錯出現，如此要執行2M個Iteration才能做完。 Maximum flow and minimum cut 對一個流量網路G=(V,E)而言，一個Cut (S,T)是將 點集合V分割為S跟T=V-S兩部份且滿足s∈S及t∈T。 Cut (S,T)的容量(Capacity)，c(S,T)，定義為：所有滿足u∈S及v∈T的邊(u,v)之容量和。 Cut範例 Cor6 Maximum flow=minimum cut 最大流量跟容量最小的Cut是相等的。 Thm26.7 以下三敘述等價 (1) f是流量網路G=(V,E)的最大流量 (2) Residue network Gf找不到Augmenting path (3) 存在一個Cut (S,T)，|f|=c(S,T)。 Minimum cut的應用 可用於決定經營投資策略。如開發產品A1需要先購入工具T1,T2，而產品A2需要先購入工具T2T3，則同時開發僅需要負擔T1,T2,T3的成本。 可以將此問題一般化，假定產品Ai需要先購入k個工具Ti1Ti2…Tik。而產品Ai開發完成可獲利Pi，購入工具Tj需要Qj的金錢，則該選擇哪些產品開發？ 利用Minimum cut 流量網路的建構方式 將圖如上頁一般的建構出來，有source s, sink t，以及每一個產品與工具。 對每個工具Tj自s拉一條容量為Qj的邊。 自每一個產品Ai拉一條容量為Pi的邊到t。 如Ai需要Tj，則自T1拉一條容量無限大的邊到Ai。 與最大獲利的對應 所有產品的利潤總和扣掉該圖的minimum cut即是最大獲利。 觀察：能夠獲利的產品，獲利必然比