费用流—“数”与“”的完美结合.pptVIP

应用举例：“数”—— Intervals 选择4、5、7 应用举例：“数”—— Intervals 最大价值19 应用举例：“数”—— Intervals 算法分析 坐标范围较大 对每段区间进行离散化 处理约束 转成不等式 应用举例：“数”—— Intervals 应用举例：“数”—— Intervals 应用举例：“数”—— Intervals 添加松弛变量 做差 应用举例：“数”—— Intervals 应用举例：“数”—— Intervals 等号的实质 流量平衡条件！ 建图 以等式左侧为流出量 以等式右侧为流入量 做一次最大费用最大流即可 S T 大致形状 应用举例：“数”—— Intervals 简要小结 以“数”助“形” 列出不等式 转成等式 建图 总结 学而时习之，不亦说乎 小结：“数” VS “形” 数——Purchase 也可以用线性规划解决 约束较多，考虑较复杂 实现这种思路，耗时较多 小结：“数” VS “形” 小结：“数” VS “形” Intervals 也可以从图论角度解决 思维难度大 可拓展性不高 小结：“数” VS “形” 费用流展现了数形结合的完美，宛如一道美丽的风景…… * * * * * * * * * * * * * 费 用 流 费 用 流———“数”与“形”的完美结合 Content 定义 “形”—— 图论模型 “数”—— 线性规划 算法实现 “形”—— SPFA费用流 “数”—— 原始-对偶算法 应用举例 “形”—— Purchase “数”—— Interval 小结 定义 “形”—— 图论模型 “数”—— 线性规划 定义：“形”—— 图论模型 组成部分 点集V 边集E 边容量集C 边费用集D 源点S和汇点T 定义：“形”—— 图论模型 要求 最大流 流量尽可能大 满足每条边的容量限制 最小费用 产生的总费用最小 定义：“数”—— 线性规划 定义：“数”—— 线性规划 定义：“数”—— 线性规划 求解 ? ------------ 线性规划？------ 算法实现 “形”——SPFA费用流 “数”——原始-对偶算法 算法实现：“形”—— SPFA流 基本想法 使每次增广费用最小 实现 用SPFA求最短路 每次选择残留网络中最小权增广路 直到不存在增广路为止 算法实现：“数”—— 原始-对偶算法 SPFA太慢 Dijkstra呢？ 费用流的本质？ 特殊的线性规划 改进SPFA算法？ 线性规划的对偶性 算法实现：“数”—— 原始-对偶算法 约定 初始网络中，实际存在的边，费用均为非负数 存在负权边？ 算法实现：“数”—— 原始-对偶算法 算法实现：“数”—— 原始-对偶算法 算法实现：“数”—— 原始-对偶算法 算法实现：“数”—— 原始-对偶算法 还个欠账 初始网络中存在负权边？ 第一次单源最短路正确，答案必正确 负权边仅存在于第一次执行单源最短路前 第一次最短路用SPFA代替Dijkstra算法即可 算法实现：“形” VS “数” 各有所长 应用举例 “形”—— Purchase “数”—— Intervals 应用举例：“形”—— Purchase 题意简述(JSOI Winter Camp 2012 训练题 TopCoder 原题) 一个由N个节点，若干条无向边组成的城市 某些节点处有一辆或多辆汽车 一辆汽车只能使用一次，可以行驶任意长度 坐车每个单位距离需要Ds的时间 步行每个单位距离需要Ws的时间 给定一个长度为M的访问列表 从0号节点出发 依次访问列表中的每个节点 最后回到0号节点 求完成任务所需的最短时间 应用举例：“形”—— Purchase 数据规模 对于30%的数据：N,M,P=10 对于100%的数据：N,M,P=200 应用举例：“形”—— Purchase 观察题目 组合优化问题 决策次数受限制 首先要做的事：预处理所有点对最短路 Floyd 应用举例：“形”—— Purchase 非完美算法 算法一：搜索 直接搜索 随机化 算法二：贪心 各种错误的方法 得到一个较优解 算法三：贪心 + 搜索 最优性剪枝 实际效率不错 应用举例：“形”—— Purchase 步入正轨 动态规划？ 解决组合优化的常用算法 记录哪些决策未被使用 状态压缩动态规划！ 指数级时间 DP = TLE 应用举例：“形”—— Purchase 题目的限制条件很多 决策给定 决策数目的限制 决策代价给定 最小化决策总代价 与费用流的对应关系 决策给定——点 决策数目限制——容量 决策代价——费用 最小化决策总代价——最小费用 应用举例：“形”—— Purchase 应用举例：“形”—— Purchase S T 乘第1～P号车 步行 访问列表的第i个项 应用举例：“形”