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,其中有一個起源点 和一個超匯点 ,代表 是所有流的源頭, 是所有流的終點。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 完全劃分为两部分,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,則 。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對偶问题。[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。由线性规划中的强對偶定理推得最大流最小割問題中的等式,也就是說如果原问题有一个最优解 x*,則对应问题也有一个最优解 y* ,並且两个解相等。
举例
[编辑]上圖是一個網絡,上有流量為 7 的流。令 S 集合和 T 集合分別包含所有白色和灰色的點, 從而形成了一個割集包含圖中虛線的 s-t 割,並且其容量為 7,與流量相同。故由大流最小割定理知,前述的流與 s-t 割皆達到流量及容量的極值。
应用
[编辑]廣義最大流最小割定理
[编辑]額外規定映射 為點的容量,記做 c(v),使得一個流 f 不只要滿足邊的流量限制與流量守恆,還要滿足點的流量限制,即
換句話說,流過 v 點的總流量不能超過 v 的容量 c(v)。一個 s-t 割 的定義為一個包含一些點和邊的集合,滿足與任一條由 s 到 t 的路徑皆不互斥。並且 s-t 割的容量 定義成所有點和邊的容量總和。
在此定義之下,廣義最大流最小割定理的敘仍為流量的最大值等於所有 s-t 割的容量最小值。
門格爾定理
[编辑]不共邊路徑問題為給定無向圖 及兩頂點 s、t,求從 s 到 t 彼此沒有共同邊的路徑數量的最大值。
門格爾定理的敘述為從 s 到 t 彼此沒有共同邊的路徑數量的最大值等於在所有 G 的 s-t 割(以原本的定義)中,頂點分別在不同集合的邊數的最小值。
計畫選擇問題
[编辑]計畫選擇問題敘述如下:當下有 n 個計畫 可以被實施、m 種設備 可以被購買,要執行計畫必須擁有該計畫要求的設備,執行計畫 可獲得 的收益,但購買設備 要支付 的費用。如何選擇執行計畫並購買所需設備以獲得淨利的最大值?
設 P 為不被執行的計畫的集合,Q 為所購買的設備,則問題變成求最大值
注意到 與 P、Q 的選擇無關,故只需求後兩項和的最小值,即
現在考慮一個網絡,起源点 s 連接到 n 個點 ,邊的容量分別為 ,超匯点 t 連接到 m 個點 ,邊的容量分別為 ,若執行任務 需購買設備 ,則在 、 之間連上一條容量為無限大的邊,若不需購買設備,則不連上邊。則 對應到一個 s-t 割的容量,其中的兩個集合是要執行的計畫與要購買的設備和它的餘集,也就是
在此,,。於是,原問題轉成求該圖的最大流問題,並且可以藉由各種算法求得其極值。
以下給出一個計畫選擇問題的例子,右圖是該問題對應到的網絡。
計畫收入 r(pi) |
設備價格 c(qj) |
備註 | |
---|---|---|---|
1 | 100 | 200 |
執行計畫 p1 須購買設備 q1、q2。 |
2 | 200 | 100 |
執行計畫 p2 須購買設備 q2。 |
3 | 150 | 50 |
執行計畫 p3 須購買設備 q3。 |
該網絡的最小 s-t 割是選擇計畫 p2、p3 與設備 q2、q3,容量為 250。三個計劃的總收益是 450,因此最大淨利為 450 − 250 = 200。
以上解法可以理解為將計畫所給予的收益流過所需設備,如果無法流滿設備至 t 的邊,代表執行計畫不合成本,最小割將選擇穿過 s 到計畫的邊而非穿過設備到 t 的邊。
影像分割問題
[编辑]設原圖有 n 像素,想要把該圖分割為前景和背景,並且將 i 像素歸類為前景有效益 fi,歸類為背景有效益 bi,但是若 i、j 像素相鄰且被歸類為不同塊,則會減少 pij 的效益。求將該圖分割為前後景的最有效益方法。
令 P 為前景的集合,Q 為背景的集合,於是問題轉化成求最大值
因為 fi、 bi 的總合是與 P、Q的選取無關,因此等價於求以下最小值
以上的最小值問題可以被描述為一個網絡的最小割問題,其中該網絡如右圖,以橘點為起源點;紫點為超匯點。各個像素被描述為網絡的頂點,起源點至第 i 個像素連上一條容量為 fi 的有向邊;第 i 個像素至超匯點連上一條容量為 bi 的有向邊。相鄰的像素 i、j 之間連上來回兩條容量為 pij 的有向邊。則一個 s-t 割代表一種將部分像素歸類為前景 P、其餘歸類為背景 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]同之前的設定,G = (V, E) 是一個網絡(有向圖) ,s 點和 t 點分別為 G 的起源點和超匯點。
將所有流考慮成一個歐式空間的有界閉子集,滿足流量限制與流量守恆,而流量是一個連續函數,因此有極大值 |f| 。
設 f 達到最大流,令 (Gf ) 是 f 的殘留網絡,定義
- A:在 (Gf ) 中可以從 s 出發到達的點
- Ac:A 以外的點,即 V − A
換句話說,v∈A 若且唯若 s 可以流出更多流量到 v。
我們宣稱 ,其中該 s-t 割的容量定義為
- .
由於 的大小等於所有流出集合 A 的流量總和減所有流入集合 A 的流量總和,故 ,並且等號成立若且唯若
- 所有從 A 流向 Ac 的邊流量均已達飽和。
- 所有從 Ac 流向 A 的邊流量均為 0。
我們用反證法分別證明以上兩點:
- 假設存在從 A 流向 Ac 的邊 並未達到飽和,即 。因此,可以從 x 流更多的流量到 y,(x,y) 是 Gf 的一條邊。由 x∈A 知 Gf 圖中有一條中的路徑從 s 到 x,其中只經過 A 中的點, 所以 y∈A,產生矛盾。是故所有從 A 流向 Ac 的邊流量均已達飽和。
- 假設存在從 Ac 流向 A 的邊 其流量不為 0,即 。因此,可以從 y 流更少的流量到 x,(x,y) 是 Gf 的一條邊。由 x∈A 知 Gf 圖中有一條中的路徑從 s 到 x,其中只經過 A 中的點, 所以 y∈A,產生矛盾。是故所有從 Ac 流向 A 的邊流量均為 0。
於是,聲稱得證。
由於流量恆不超過容量,|f| 是容量的下界,所以 是容量的最小值,由聲稱知,最大流最小割定理得證。
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.