最大流最小割定理
最大流最小割定理是最优化理论的定理。根据该定理,在一个网络流中,从源点到汇点的最大的流量,等于它的最小割中每一条边的容量之和。“割”指的是一种边的集合,如果移除这个集合的全部边,就会断开源点和汇点的连接。
最大流最小割定理是线性规划中的对偶问题的一种特殊情况,并且可以用来推导门格尔定理和König–Egerváry定理。[1]
定义
[编辑]最大流和最小割定理是图论的一部分,因此为了准确定义,我们需要先定义图、流、割,然后再定义这个定理。
图
[编辑]设 为一个有向图,其中有一个起源点 和一个超汇点 ,代表 是所有流的源头, 是所有流的终点。这个图的每一条边都有一个容量 c : E → R+,记做 或者 ,代表着能通过边 的最大流量。
最大流
[编辑]定义: 流量代表一种映射 ,记做 或者 ,代表通过边 的流量。每一条边所通过的流有以下两个限定条件:
- 流量限制: 也就是说,一条边上的流量不可以超过它的容量。
- 流量守恒: 也就是说,除了源点和汇点以外,进入一个节点的流量等于流出这个节点的流量,节点内不能保存流。
规定在一个图中,流的值是
也就是说,一个图的流是自其源点流出的流量之和,也是向其汇点流入的流量之和。或者说,由源点向汇点移动多少内容,这个图的流就是多少。
最大流问题:计算的最大值,即从到的最大流量。
最小割
[编辑]定义: s-t割 将图 完全划分为两部分,使得 也就是一侧有源,一侧有汇。 的割集 是 也就是说,一条边当且仅当骑在这个划分方法上,一个节点位于划分出来的源侧,另一个位于汇侧,那么它包含在 里。因此如果 的割集是空集,或者我们把一个割集里的边全都从图中拿走,则 。通俗地说,割集就是一个图的断面,而割则是划分断面的方法。
规定在一个图中,s-t割的容量是
- 其中当 时, 为 , 否则为 。
通俗地说,割的容量就是断面中所有边的总容量。
最小 s-t 割问题: 计算 的最小值。即找到一种割法,使割的容量最小。也就是说,找到通过能力最弱的断面。
主定理
[编辑]可以证明一切流都不能超过任何s-t割,所以经过图的最大流就是图的最小割。我们直观上就可以知道,通过能力最弱的断面就是整个网络的最大流量。这个理论把最大流问题和最小割问题联系了起来。
线性规划公式
[编辑]最大流最小割问题可以被看做为一对线性规划对偶问题。[2]
Max-flow (Primal) |
Min-cut (Dual) | |
---|---|---|
variables |
[a variable per edge] |
[a variable per edge] [a variable per non-terminal node] |
objective |
maximize [max total flow from source] |
minimize [min total capacity of edges in cut] |
constraints |
subject to [a constraint per edge and a constraint per non-terminal node] |
subject to [a constraint per edge] |
sign constraints |
最大流的线性规划公式是容易理解的,对于最小割的线性规划公式的理解如下:
最小化目标是使在割中的边最小。
下列限制保证了这些变量可以确保一个合法的割。
- 限制 (即 ) 确保了对两个非源点或汇点 u,v, 如果u 在 S中 且 v 在 T中, 那么边 (u,v)一定会被记在割中 ()。
- 限制 (即 ) 确保了如果 v 在 T 中, 那么边 (s,v) 一定会被记在割中。
- 限制 (即 ) 确保了 u 在 S 中, 那么边 (u,t) 一定会被记在割中。
需要注意的是,这是一个最小化问题,我们不需要确保一条边不在割里,我们只要保证每条应当在割里的边被计算了。
注意到在给定的 s-t 割 中,如果 那么 并且 0 反之。 所以 应该等于 1 并且 应该等于0。由线性规划中的强对偶定理推得最大流最小割问题中的等式,也就是说如果原问题有一个最优解 x*,则对应问题也有一个最优解 y* ,并且两个解相等。
举例
[编辑]![](http://upload.wikimedia.org/wikipedia/commons/thumb/0/0e/Max-flow_min-cut_example.svg/288px-Max-flow_min-cut_example.svg.png)
上图是一个网络,上有流量为 7 的流。令 S 集合和 T 集合分别包含所有白色和灰色的点, 从而形成了一个割集包含图中虚线的 s-t 割,并且其容量为 7,与流量相同。故由大流最小割定理知,前述的流与 s-t 割皆达到流量及容量的极值。
应用
[编辑]广义最大流最小割定理
[编辑]额外规定映射 为点的容量,记做 c(v),使得一个流 f 不只要满足边的流量限制与流量守恒,还要满足点的流量限制,即
换句话说,流过 v 点的总流量不能超过 v 的容量 c(v)。一个 s-t 割 的定义为一个包含一些点和边的集合,满足与任一条由 s 到 t 的路径皆不互斥。并且 s-t 割的容量 定义成所有点和边的容量总和。
在此定义之下,广义最大流最小割定理的叙仍为流量的最大值等于所有 s-t 割的容量最小值。
门格尔定理
[编辑]不共边路径问题为给定无向图 及两顶点 s、t,求从 s 到 t 彼此没有共同边的路径数量的最大值。
门格尔定理的叙述为从 s 到 t 彼此没有共同边的路径数量的最大值等于在所有 G 的 s-t 割(以原本的定义)中,顶点分别在不同集合的边数的最小值。
计画选择问题
[编辑]![](http://upload.wikimedia.org/wikipedia/commons/thumb/2/21/Max-flow_min-cut_project-selection.svg/220px-Max-flow_min-cut_project-selection.svg.png)
计画选择问题叙述如下:当下有 n 个计画 可以被实施、m 种设备 可以被购买,要执行计画必须拥有该计画要求的设备,执行计画 可获得 的收益,但购买设备 要支付 的费用。如何选择执行计画并购买所需设备以获得净利的最大值?
设 P 为不被执行的计画的集合,Q 为所购买的设备,则问题变成求最大值
注意到 与 P、Q 的选择无关,故只需求后两项和的最小值,即
现在考虑一个网络,起源点 s 连接到 n 个点 ,边的容量分别为 ,超汇点 t 连接到 m 个点 ,边的容量分别为 ,若执行任务 需购买设备 ,则在 、 之间连上一条容量为无限大的边,若不需购买设备,则不连上边。则 对应到一个 s-t 割的容量,其中的两个集合是要执行的计画与要购买的设备和它的馀集,也就是
在此,,。于是,原问题转成求该图的最大流问题,并且可以借由各种算法求得其极值。
以下给出一个计画选择问题的例子,右图是该问题对应到的网络。
计画收入 r(pi) |
设备价格 c(qj) |
备注 | |
---|---|---|---|
1 | 100 | 200 |
执行计画 p1 须购买设备 q1、q2。 |
2 | 200 | 100 |
执行计画 p2 须购买设备 q2。 |
3 | 150 | 50 |
执行计画 p3 须购买设备 q3。 |
该网络的最小 s-t 割是选择计画 p2、p3 与设备 q2、q3,容量为 250。三个计划的总收益是 450,因此最大净利为 450 − 250 = 200。
以上解法可以理解为将计画所给予的收益流过所需设备,如果无法流满设备至 t 的边,代表执行计画不合成本,最小割将选择穿过 s 到计画的边而非穿过设备到 t 的边。
影像分割问题
[编辑]![](http://upload.wikimedia.org/wikipedia/commons/thumb/d/d0/Image_segmentation.jpg/220px-Image_segmentation.jpg)
设原图有 n 像素,想要把该图分割为前景和背景,并且将 i 像素归类为前景有效益 fi,归类为背景有效益 bi,但是若 i、j 像素相邻且被归类为不同块,则会减少 pij 的效益。求将该图分割为前后景的最有效益方法。
令 P 为前景的集合,Q 为背景的集合,于是问题转化成求最大值
因为 fi、 bi 的总合是与 P、Q的选取无关,因此等价于求以下最小值
以上的最小值问题可以被描述为一个网络的最小割问题,其中该网络如右图,以橘点为起源点;紫点为超汇点。各个像素被描述为网络的顶点,起源点至第 i 个像素连上一条容量为 fi 的有向边;第 i 个像素至超汇点连上一条容量为 bi 的有向边。相邻的像素 i、j 之间连上来回两条容量为 pij 的有向边。则一个 s-t 割代表一种将部分像素归类为前景 P、其馀归类为背景 Q 的安排。
历史
[编辑]最大流最小割问题最早在1956年被P. Elias, A. Feinstein,和 C.E. Shannon 证明[3], 并且L.R. Ford, Jr. 和 D.R. Fulkerson 也在同年证明了该定理[3]。
证明
[编辑]同之前的设定,G = (V, E) 是一个网络(有向图) ,s 点和 t 点分别为 G 的起源点和超汇点。
将所有流考虑成一个欧式空间的有界闭子集,满足流量限制与流量守恒,而流量是一个连续函数,因此有极大值 |f| 。
设 f 达到最大流,令 (Gf ) 是 f 的残留网络,定义
- A:在 (Gf ) 中可以从 s 出发到达的点
- Ac:A 以外的点,即 V − A
换句话说,v∈A 若且唯若 s 可以流出更多流量到 v。
我们宣称 ,其中该 s-t 割的容量定义为
- .
由于 的大小等于所有流出集合 A 的流量总和减所有流入集合 A 的流量总和,故 ,并且等号成立若且唯若
- 所有从 A 流向 Ac 的边流量均已达饱和。
- 所有从 Ac 流向 A 的边流量均为 0。
我们用反证法分别证明以上两点:
- 假设存在从 A 流向 Ac 的边 并未达到饱和,即 。因此,可以从 x 流更多的流量到 y,(x,y) 是 Gf 的一条边。由 x∈A 知 Gf 图中有一条中的路径从 s 到 x,其中只经过 A 中的点, 所以 y∈A,产生矛盾。是故所有从 A 流向 Ac 的边流量均已达饱和。
- 假设存在从 Ac 流向 A 的边 其流量不为 0,即 。因此,可以从 y 流更少的流量到 x,(x,y) 是 Gf 的一条边。由 x∈A 知 Gf 图中有一条中的路径从 s 到 x,其中只经过 A 中的点, 所以 y∈A,产生矛盾。是故所有从 Ac 流向 A 的边流量均为 0。
于是,声称得证。
由于流量恒不超过容量,|f| 是容量的下界,所以 是容量的最小值,由声称知,最大流最小割定理得证。
参见
[编辑]- 线性规划
- 最大流
- 最小割
- 网络流
- Edmonds–Karp 算法
- Ford–Fulkerson 算法
- 近似最大流最小割定理
参考文献
[编辑]- ^ Dantzig, G.B.; Fulkerson, D.R. On the max-flow min-cut theorem of networks (PDF). RAND corporation. 9 September 1964: 13 [10 January 2018]. (原始内容存档 (PDF)于2018-05-05).
- ^ Trevisan, Luca. Lecture 15 from CS261: Optimization (PDF). (原始内容存档 (PDF)于2019-11-01).
- ^ 3.0 3.1 P. Elias, A. Feinstein, and C. E. Shannon, A note on the maximum flow through a network, IRE. Transactions on Information Theory, 2, 4 (1956), 117–119
- Eugene Lawler. 4.5. Combinatorial Implications of Max-Flow Min-Cut Theorem, 4.6. Linear Programming Interpretation of Max-Flow Min-Cut Theorem. Combinatorial Optimization: Networks and Matroids. Dover. 2001: 117–120. ISBN 0-486-41453-1.
- Christos H. Papadimitriou, Kenneth Steiglitz. 6.1 The Max-Flow, Min-Cut Theorem. Combinatorial Optimization: Algorithms and Complexity. Dover. 1998: 120–128. ISBN 0-486-40258-4.
- Vijay V. Vazirani. 12. Introduction to LP-Duality. Approximation Algorithms. Springer. 2004: 93–100. ISBN 3-540-65367-8.