Maximum Flow

本文参考以下文章

Maximum flow

Flow Networks基本性质

在图论中，网络流被定义为一个有向图，其中包含一个起点Source和一个终点Target，以及几条连接各顶点的边。每条边都有各自的容量Capacity，这是边所能允许的最大流量

网络流中的流量$f$应满足如下条件

从节点$x$流向节点$y$的流量，不能比$edge(x,y)$的capacity还大，$f(x,y)≤c(x,y)$
若定义从节点$x$流向节点$y$的的流量有5单位，$f(x,y)=5$，则从节点$y$流向节点$x$的流量有-5单位，$f(y,x)=-5$
对图中除了Source和Target以外的结点，所有输入的流量之和要等于所有输出的流量之和
- 也就是流量不会无故增加或无故减少，可视为一种能量守恒
- 以下图为例，流入节点A的流量为6，流出的流量也是6，对C、D也是

最大流：网络允许从源Source流向终点Target的最大流量

下面介绍Ford-Fulkerson Algorithm（若使用BFS，则又称为Edmonds-Karp Algorithm）来解决此问题

Ford-Fulkerson Algorithm

Ford-Fulkerson Algorithm需要两个辅助工具

Residual Networks（残差网络）
Augmenting Paths（增广路径）

Residual Networks

残差网络表示图中每条边剩余可允许通过的流量构成的图，以下图为例

若在Path：S-A-C-D-T上的所有边都有6单位的流量，那么这些边，$edge(S,A)$、$edge(A,C)$、$edge(C,D)$、$edge(D,T)$的剩余容量都应该减6。例如，$edge(S,A)$只能容纳3单位的流量，$edge(C,D)$只能容纳1单位的流量

若$edge(x,y)$上有$f(x,y)$单位的流量流过，则$edge(x,y)$上的residual capacity定义为：

$c_f(x,y)=c(x,y)-f(x,y)$
- $c(x,y)$为原始edge(x,y)的容量
- $f(x,y)$表示目前edge(x,y)已有多少流量
- $c_f(x,y)$表示edge(x,y)还能容纳多少流量

Residual Networks也是一个有向图，其中：

顶点集与原有向图完全相同
边的容量被residual capacity取代，如下图所示

最关键的是，若$edge(A,C)$上有6单位的流量流过$f(A,C)=6$，那么在其Residual Networks上，会相应产生出一条顶点C指向顶点A的边$edge(C,A)$，并具有6单位的residual capacity$c_f(C,A)=6$

这样做有什么意义？可以用如果想要重新配置流量方向来理解

举例来说，假设现在恢复到初始状态（没有任何流量流过），现在有2单位的流量经过Path：S-C-A-B-T，但是由于并不存在从顶点C指向顶点A的$edge(C,A)$，因此$c(C,A)=0$。假设有6单位的流量从顶点A流向顶点C（如上图所示），那么现在就可以从$edge(A,C)$上把2单位的流量收回，从而分配到$edge(A,B)$上，而$edge(A,C)$上，就只剩下4单位的流量，最后结果如下图左所示，此时的Residual Networks如下图右所示

下图是从网上找到的另一个例子

Augmenting Paths

在Residual Networks里，所有能够从源Source走到终Target的路径，也就是所有能够增加流量的路径，就称为Augmenting Paths（增广路径）

以上图为例，Augmenting Paths有很多种可能，例如

Path：S-A-B-T，1~3单位的流量
- 因为在该路径中，所有edge中最小的capacity为$c(S,A)=c(A,B)=3$，因此可以容许流量大小为1~3
Path：S-C-B-D-T，1~2单位的流量
- 因为在该路径中，所有edge中最小的capacity为$c(B,D)=c(D,T)=2$，因此可以容许的流量大小为1~2

综上

若要看当前流入Target的总流量，要在下图左，edge上标示flow/capacity的图上找
- 下图左流入终点Target的flow为8单位
若要找还能增加多少流量，也就是找Augmenting Paths，需要在Residual Networks上找，如下图右所示
- 若在Path：S-A-B-T、Path：S-A-C-D-T、Path：S-C-B-T流入不超过该路径上最低residual capacity的flow，都是Augmenting Paths

讲完上面两个概念，下面讲解Ford-Fulkerson Algorithm算法

在Residual Networks上寻找Augmenting Paths
- 以BFS()寻找，确保每次找到的Augmenting Paths一定经过最少的edge
- 找到Augmenting Paths上最小的residual capacity，将其加入总flow
- 再以最小的residual capacity更新Residual Networks上edge的residual capacity
重复上述步骤，直到再也没有Augmenting Paths为止

以上图为例，寻找Maximum Flow的步骤如下

开始时用flow = 0初始化residual Networks

在图中，以bfs()找到从S到T且edge最少的Path：S-A-B-T
- bfs()找到的可能有三条最短Path，这里就以S-A-B-T为例

观察Path：S-A-B-T上的edge，发现$edge(A,B)$具有最小的residual capacity $c_f(A,B)=3$，所以update：总flow增加3
更新edge的residual capacity
- $c_f(S,A)=c(S,A)-f(S,A)=9-3=6$
- $c_f(A,S)=c(A,S)-f(A,S)=0+3=3$
- $c_f(A,B)=c(A,B)-f(A,B)=3-3=0$
- $c_f(B,A)=c(B,A)-f(B,A)=0+3=3$
- $c_f(B,T)=c(B,T)-f(B,T)=9-3=6$
- $c_f(T,B)=c(T,B)-f(T,B)=0+3=3$

在途中，以bfs()找到从S*到T且edge最少的Path：S-C-D-T

观察Path：S-C-D-T上的edge，发现$edge(C,D)$具有最小的residual capacity $c_f(C,D)=7$，所以update：总flow增加7
更新edge的residual capacity
- $c_f(S,C)=c(S,C)-f(S,C)=9-7=2$
- $c_f(C,S)=c(C,S)-f(C,S)=0+7=7$
- $c_f(C,D)=c(C,D)-f(C,D)=7-7=0$
- $c_f(D,C)=c(D,C)-f(D,C)=0+7=7$
- $c_f(D,T)=c(D,T)-f(D,T)=8-7=1$
- $c_f(T,D)=c(D,T)-f(T,D)=0+7=7$

接着重复上述步骤：更新Residual Networks，寻找Augmenting Paths

找到Path：S-C-B-T

更新Residual Networks

找到Path：S-A-C-B-T

更新Residual Networks

找到Path：S-A-C-B-D-T

更新Residual Networks

找到Maximum Flow=17

完整代码如下

#include <iostream>
#include <vector>
#include <queue>
using namespace std;

class Graph {
private:
    int num_vertex; //顶点
    vector<vector<int>> map; // 邻接矩阵
public:
    Graph():num_vertex(0){};
    Graph(int n);
    void AddEdge(int from, int to, int capacity);
    void FordFulkerson(int s, int t);
    bool BfsFindExistingPath(vector<vector<int>> graph, int* predecessor, int s, int t);
    int MinCapacity(vector<vector<int>> graph, int* predecessor, int t);
};

Graph::Graph(int n):num_vertex(n) {
    map.resize(num_vertex);
    for (int i = 0; i < num_vertex; i++)
        map[i].resize(num_vertex);
}

bool Graph::BfsFindExistingPath(vector<vector<int>> graph, int* predecessor, int s, int t) {
    int visited[num_vertex];
    for (int i = 0; i < num_vertex; i++) {
        visited[i] = 0; // 0 表示没有访问过
        predecessor[i] = -1;
    }

    queue<int> queue;
    queue.push(s);
    visited[s] = 1; // 1 表示访问过
    while (!queue.empty()) {
        int vertex = queue.front(); queue.pop();
        for (int j = 0; j < num_vertex; j++) {
            if (graph[vertex][j] != 0 && visited[j] == 0) {
                queue.push(j);
                visited[j] = 1;
                predecessor[j] = vertex;
            }
        }
    }
    return (visited[t] == 1); // 若t被访问过，表示有path从s到t
}

int Graph::MinCapacity(vector<vector<int>> graph, int* predecessor, int t) {
    int min = 0x3f3f3f; // 确保min会更新，假设graph上的capacity都小于0x3f3f3f
    
    // 用predecessor[idx]和idx表示一条edge
    // 找到 从s到t 的path中，capacity最小的值，存入min
    for (int idx = t; predecessor[idx] != -1; idx = predecessor[idx])
        if (graph[predecessor[idx]][idx] != 0 && graph[predecessor[idx]][idx] < min)
            min = graph[predecessor[idx]][idx];
    return min;
}

void Graph::FordFulkerson(int s, int t) {
    vector<vector<int>> graphResidual(map);
    int maxflow = 0;
    int predecessor[num_vertex];

    // bfs find augmeting path
    while (BfsFindExistingPath(graphResidual, predecessor, s, t)) {
        int min_capacity = MinCapacity(graphResidual, predecessor, t);
        maxflow = maxflow + min_capacity;
        for (int y = t; y != s; y= predecessor[y]) {
            // update residual graph
            int x = predecessor[y];
            graphResidual[x][y] -= min_capacity;
            graphResidual[y][x] += min_capacity;
        }
    }
    cout << "Maximum Flow: " << maxflow << endl;
}

void Graph::AddEdge(int from, int to, int capacity) {
    map[from][to] = capacity;
}

int main() {
    Graph g(6);
    g.AddEdge(0, 1, 9);g.AddEdge(0, 3, 9);
    g.AddEdge(1, 2, 3);g.AddEdge(1, 3, 8);
    g.AddEdge(2, 4, 2);g.AddEdge(2, 5, 9);
    g.AddEdge(3, 2, 7);g.AddEdge(3, 4, 7);
    g.AddEdge(4, 2, 4);g.AddEdge(4, 5, 8);

    g.FordFulkerson(0, 5); // 指定source为0，target为5
    return 0;
}

Catalog

Maximum Flow

March 4, 2020 • Read: 3550 • 算法 • 阅读设置

Flow Networks基本性质

Ford-Fulkerson Algorithm

Residual Networks

Augmenting Paths