网络流－最大流问题 ISAP 算法
ISAP 是图论求最大流的算法之一，它很好的平衡了运行时间和程序复杂度之间的关系，因此非常常用。
约定
我们使用邻接表来表示图，表示方法可以见文章带权最短路 Dijkstra, SPFA, Bellman-Ford, ASP, Floyd-Warshall 算法分析或二分图的最大匹配、完美匹配和匈牙利算法的开头（就不重复贴代码了）。在下文中，图的源点（source）表示为 s ，汇点（sink）表示为 t ，当前节点为 u 。建图时，需要建立双向边（设反向的边容量为0）才能保证算法正确。
引入
求解最大流问题的一个比较容易想到的方法就是，每次在残量网络（residual network）中任意寻找一条从 s 到 t 的路径，然后增广，直到不存在这样的路径为止。这就是一般增广路算法（labeling algorithm）。可以证明这种不加改进的贪婪算法是正确的。假设最大流是 f ，那么它的运行时间为 O( f⋅∣E∣) 。但是，这个运行时间并不好，因为它和最大流 f 有关。
人们发现，如果每次都沿着残量网络中的最短增广路增广，则运行时间可以减为 O(∣E∣2⋅∣V∣) 。这就是最短增广路算法。而 ISAP 算法则是最短增广路算法的一个改进。其实，ISAP 的意思正是「改进的最短增广路」 (Improved Shortest Augmenting Path)。
顺便说一句，上面讨论的所有算法根本上都属于增广路方法（Ford-Fulkerson method）。和它对应的就是大名鼎鼎的预流推进方法（Preflow-push method）。其中最高标号预流推进算法（Highest-label preflow-push algorithm）的复杂度可以达到 O(∣V∣2∣E∣−−−−√) 。虽然在复杂度上比增广路方法进步很多，但是预流推进算法复杂度的上界是比较紧的，因此有时差距并不会很大。
算法解释
概括地说，ISAP 算法就是不停地找最短增广路，找到之后增广；如果遇到死路就 retreat，直到发现 s, t 不连通，算法结束。找最短路本质上就是无权最短路径问题，因此采用 BFS 的思想。具体来说，使用一个数组 d ，记录每个节点到汇点 t 的最短距离。搜索的时候，只沿着满足 d[u]=d[v]+1 的边 u→v （这样的边称为允许弧）走。显然，这样走出来的一定是最短路。
原图存在两种子图，一个是残量网络，一个是允许弧组成的图。残量网络保证可增广，允许弧保证最短路（时间界较优）。所以，在寻找增广路的过程中，一直是在残量网络中沿着允许弧寻找。因此，允许弧应该是属于残量网络的，而非原图的。换句话说，我们沿着允许弧，走的是残量网络（而非原图）中的最短路径。当我们找到沿着残量网络找到一条增广路，增广后，残量网络肯定会变化（至少少了一条边），因此决定允许弧的 d 数组要进行相应的更新（顺便提一句，Dinic 的做法就是每次增广都重新计算 d 数组）。然而，ISAP 「改进」的地方之一就是，其实没有必要马上更新 d 数组。这是因为，去掉一条边只可能令路径变得更长，而如果增广之前的残量网络存在另一条最短路，并且在增广后的残量网络中仍存在，那么这条路径毫无疑问是最短的。所以，ISAP 的做法是继续增广，直到遇到死路，才执行 retreat 操作。
说到这里，大家应该都猜到了，retreat 操作的主要任务就是更新 d 数组。那么怎么更新呢？非常简单：假设是从节点 u 找遍了邻接边也没找到允许弧的；再设一变量 m ，令 m 等于残量网络中 u 的所有邻接点的 d 数组的最小值，然后令 d[u] 等于 m+1 即可。这是因为，进入 retreat 环节说明残量网络中 u 和 t 已经不能通过（已过时）的允许弧相连，那么 u 和 t 实际上在残量网络中的最短路的长是多少呢？（这正是 d 的定义！）显然是残量网络中 u 的所有邻接点和 t 的距离加 1 的最小情况。特殊情况是，残量网络中 u 根本没有邻接点。如果是这样，只需要把 d[u] 设为一个比较大的数即可，这会导致任何点到 u 的边被排除到残量网络以外。（严格来说只要大于等于 ∣V∣ 即可。由于最短路一定是无环的，因此任意路径长最大是 ∣V∣−1 ）。修改之后，只需要把正在研究的节点 u 沿着刚才走的路退一步，然后继续搜索即可。
讲到这里，ISAP 算法的框架内容就讲完了。对于代码本身，还有几个优化和实现的技巧需要说明。
- 算法执行之前需要用 BFS 初始化 d 数组，方法是从 t 到 s 逆向进行。
- 算法主体需要维护一个「当前节点」 u ，执行这个节点的前进、retreat 等操作。
- 记录路径的方法非常简单，声明一个数组 p ，令 p[i] 等于增广路上到达节点 i 的边的序号（这样就可以找到从哪个顶点到的顶点 i ）。需要路径的时候反向追踪一下就可以了。
- 判断残量网络中 s, t 不连通的条件，就是 d[s]≥∣V∣ 。这是因为当 s, t 不连通时，最终残量网络中 s 将没有任何邻接点，对 s 的 retreat 将导致上面条件的成立。
- GAP 优化。GAP 优化可以提前结束程序，很多时候提速非常明显（高达 100 倍以上）。GAP 优化是说，进入 retreat 环节后， u, t 之间的连通性消失，但如果 u 是最后一个和 t 距离 d[u] （更新前）的点，说明此时 s, t 也不连通了。这是因为，虽然 u, t 已经不连通，但毕竟我们走的是最短路，其他点此时到 t 的距离一定大于 d[u] （更新前），因此其他点要到 t ，必然要经过一个和 t 距离为 d[u] （更新前）的点。GAP 优化的实现非常简单，用一个数组记录并在适当的时候判断、跳出循环就可以了。
- 另一个优化，就是用一个数组保存一个点已经尝试过了哪个邻接边。寻找增广的过程实际上类似于一个 BFS 过程，因此之前处理过的邻接边是不需要重新处理的（残量网络中的边只会越来越少）。具体实现方法直接看代码就可以，非常容易理解。需要注意的一点是，下次应该从上次处理到的邻接边继续处理，而非从上次处理到的邻接边的下一条开始。
最后说一下增广过程。增广过程非常简单，寻找增广路成功（当前节点处理到 t ）后，沿着你记录的路径走一遍，记录一路上的最小残量，然后从 s 到 t 更新流量即可。
实现
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
|
int
source
;
// 源点
int
sink
;
// 汇点
int
p
[
max_nodes
]
;
// 可增广路上的上一条弧的编号
int
num
[
max_nodes
]
;
// 和 t 的最短距离等于 i 的节点数量
int
cur
[
max_nodes
]
;
// 当前弧下标
int
d
[
max_nodes
]
;
// 残量网络中节点 i 到汇点 t 的最短距离
bool
visited
[
max_nodes
]
;
// 预处理, 反向 BFS 构造 d 数组
bool
bfs
(
)
{
memset
(
visited
,
0
,
sizeof
(
visited
)
)
;
queue
<
int
>
Q
;
Q
.
push
(
sink
)
;
visited
[
sink
]
=
1
;
d
[
sink
]
=
0
;
while
(
!
Q
.
empty
(
)
)
{
int
u
=
Q
.
front
(
)
;
Q
.
pop
(
)
;
for
(
iterator_t
ix
=
G
[
u
]
.
begin
(
)
;
ix
!=
G
[
u
]
.
end
(
)
;
++
ix
)
{
Edge
&e
=
edges
[
(
*
ix
)
^
1
]
;
if
(
!
visited
[
e
.
from
]
&&
e
.
capacity
>
e
.
flow
)
{
visited
[
e
.
from
]
=
true
;
d
[
e
.
from
]
=
d
[
u
]
+
1
;
Q
.
push
(
e
.
from
)
;
}
}
}
return
visited
[
source
]
;
}
// 增广
int
augment
(
)
{
int
u
=
sink
,
df
=
__inf
;
// 从汇点到源点通过 p 追踪增广路径, df 为一路上最小的残量
while
(
u
!=
source
)
{
Edge
&e
=
edges
[
p
[
u
]
]
;
df
=
min
(
df
,
e
.
capacity
-
e
.
flow
)
;
u
=
edges
[
p
[
u
]
]
.
from
;
}
u
=
sink
;
// 从汇点到源点更新流量
while
(
u
!=
source
)
{
edges
[
p
[
u
]
]
.
flow
+
=
df
;
edges
[
p
[
u
]
^
1
]
.
flow
-
=
df
;
u
=
edges
[
p
[
u
]
]
.
from
;
}
return
df
;
}
int
max_flow
(
)
{
int
flow
=
0
;
bfs
(
)
;
memset
(
num
,
0
,
sizeof
(
num
)
)
;
for
(
int
i
=
0
;
i
<
num_nodes
;
i
++
)
num
[
d
[
i
]
]
++
;
int
u
=
source
;
memset
(
cur
,
0
,
sizeof
(
cur
)
)
;
while
(
d
[
source
]
<
num_nodes
)
{
if
(
u
==
sink
)
{
flow
+
=
augment
(
)
;
u
=
source
;
}
bool
advanced
=
false
;
for
(
int
i
=
cur
[
u
]
;
i
<
G
[
u
]
.
size
(
)
;
i
++
)
{
Edge
&
e
=
edges
[
G
[
u
]
[
i
]
]
;
if
(
e
.
capacity
>
e
.
flow
&&
d
[
u
]
==
d
[
e
.
to
]
+
1
)
{
advanced
=
true
;
p
[
e
.
to
]
=
G
[
u
]
[
i
]
;
cur
[
u
]
=
i
;
u
=
e
.
to
;
break
;
}
}
if
(
!
advanced
)
{
// retreat
int
m
=
num_nodes
-
1
;
for
(
iterator_t
ix
=
G
[
u
]
.
begin
(
)
;
ix
!=
G
[
u
]
.
end
(
)
;
++
ix
)
if
(
edges
[
*
ix
]
.
capacity
>
edges
[
*
ix
]
.
flow
)
m
=
min
(
m
,
d
[
edges
[
*
ix
]
.
to
]
)
;
if
(
--
num
[
d
[
u
]
]
==
0
)
break
;
// gap 优化
num
[
d
[
u
]
=
m
+
1
]
++
;
cur
[
u
]
=
0
;
if
(
u
!=
source
)
u
=
edges
[
p
[
u
]
]
.
from
;
}
}
return
flow
;
}
|