费用流——“数”“形”的完美结合论文.docVIP

费用流——“数”与“形”的完美结合 目录 【摘要】 2 【关键词】 2 【正文】 3 一、定义 3 “形”——网络优化 3 “数”——线性规划 3 二、实现 4 “形”——增广路算法与SPFA流 4 “数”——对偶问题与原始-对偶算法（Primal-dual） 5 三、应用 6 “形”——采购 Purchase 6 “数”——Intervals 7 【总结】 10 【附件】 11 一、原始-对偶算法源程序（演示用，未加任何优化） 11 二、Purchase源程序 12 三、Intervals源程序 16 【参考文献】 21  【摘要】 费用流，即最小费用最大流，是信息学竞赛的一种常用建模方式，具有“数”与“形”两方面的优美性质。 本文将着重从“数”和“形”两个方面介绍最小费用最大流的概念、实现和应用。 【关键词】 最小费用最大流 线性规划 组合优化  【正文】 一、定义 “形”——网络优化 从“形”的角度而言，费用流算法是基于流网络的一类算法。 流网络是一个图论模型，给定点集V、边集E、边的容量集C和边的费用D，流网络，一般地，流网络同时给定源点S和汇点T。 最大流问题要求从源点S流出尽可能多的流量，流过一条或多条边，到达汇点T，且每条边上流过的流量不大于该边的流量限制，一个单位的流在某条边上产生的费用等于边的费用。而最小费用最大流问题就是要求在流量达到最大的情况下，总费用最小。 “数”——线性规划 我们从“数”的角度定量地考察这个问题，费用流问题实际上对应了一个特殊的线性规划模型，如果设代表边的流量，代表边的容量，代表边的单位流量费用，那么需要满足约束： 容量限制： 反对称性： 流量平衡： 流入流出量平衡： 最小费用最大流，首先需要流量最大，即：最大化函数： 其次需要费用最小，即：增加约束 并最小化函数 简洁起见，对于每个顶点，令： 上述约束可被重新表示为： 并最小化函数 这是标准的线性规划形式。由此可得一个简单的思路：列出所有约束，联立成为线性规划，利用单纯形法或内点法求解这个线性规划，就解决了费用流问题。 但是，这种方法的速度偏慢，代码量也很大，实际上，网络的特殊性使得我们能高效地解决这个问题。 二、实现 “形”——增广路算法与SPFA流 由最大流的相关知识可知，当且仅当不存在S到T的增广路时，图中的流达到最大。 那么我们可以每次从S流出一个单位的流量到达T，使得这个单位流量所产生的费用最小。 从“形”的角度观察这个问题，每个单位的流在当前网络中产生的最小费用，等价于当前网络中S到T的最小权值路径的权值，即S到T最短路的长度。 因此，可以用SPFA求最短路，每次选择残留网络中最短的增广路进行增广，直到不存在增广路为止，可以证明找到的最大流的费用一定最小。 分析这个算法的时间复杂度，如果增广次数是w，每次SPFA算法在残留网络G上的运行时间是，那么总的时间复杂度就是。 “数”——对偶问题与原始-对偶算法（Primal-dual） 通过上述章节可知，费用流的本质是特殊的线性规划，而下文介绍的原始-对偶算法就是通过线性规划的弱对偶性对增广路算法进行改进，从而得到更快的速度。 我们知道，平面图最大流问题的对偶问题是最短路问题，进而可以通过Dijkstra算法求出平面网络的最大流，时间复杂度仅为O(mlogn)。实际上，对任意图而言，其最小费用最大流也可以通过反复使用Dijkstra算法代替效率较低的SPFA。 我们假设初始网络中容量为正的边费用均为非负数，则算法的流程如下： 为什么在初始网络中，只有所有容量为正的边，其费用非负，就能保证每次调用Dijkstra算法都可以正确算出最短路呢？ 我们知道，单源最短路满足三角形不等式： 因此： 也就是说，对当前网络改造之后形成的网络，无论边容量是否为正，其权都是非负的！ 那么我们就可以归纳出：无论何时，容量为正的边，其边权必为非负数。 现在分析一下这个算法的时间复杂度，如果增广次数是w，每次Dijkstra算法在残留网络G上的运行时间是，那么总的时间复杂度就是。显然，O(比O(小，且稳定很多，再加上运用了多路增广的优化，相对于一般的SPFA费用流，优势是很明显的。 三、应用 “形”——采购 Purchase 题意简述 给定一个由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。 坐车和步行速度不同，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，要求从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。可以选择坐车或步行，求完成任务所需的最短时间。 算法分析 为了表述方便，我们在访问列表的左端（位置0）添加节点0，右端（位置M+1）添加节点0。令dist[i][j]代表点i到