【运筹优化】网络最大流问题及三种求解算法详解 + Python代码实现 | 您所在的位置:网站首页 › 优化运筹学 › 【运筹优化】网络最大流问题及三种求解算法详解 + Python代码实现 |
文章目录
一、网络最大流问题二、Ford-Fulkerson 算法(最坏时间复杂度:O(f×m))2.1 残存网络2.2 增广路径2.3 算法介绍2.4 完整代码
三、Edmons-Karp 算法(最坏时间复杂度:O(m×m×n))3.1 算法介绍3.2 完整代码
四、Dinic 算法(最坏时间复杂度:O(m×n×n))4.1 Level Graph4.2 算法介绍4.3 完整代码
五、三种算法的性能测试5.1 测试15.2 测试25.3 测试部分完整代码5.4 结论(仅供参考)
标题中时间复杂度用到的符号说明:f 代表最大流的大小,m代表边的数量,n 代表节点的数量 本博客学习自:B站-ShusenWang 一、网络最大流问题最大流问题,是网络流理论研究的一个基本问题,求网络中一个可行流 f ∗ f* f∗,使其流量 v ( f ) v(f) v(f)达到最大, 这种流 f f f 称为最大流,这个问题称为 (网络)最大流问题。 最大流问题是一个特殊的线性规划问题,就是在容量网络中,寻找流量最大的可行流。 下面我们用一个例子来直观理解网络最大流问题 如下图所示,S处是一个水源,图中的弧是水管,管道由于材质、直径的不同,其所能承受的输水量也不同,所以就出现了下图所示的不同数值的弧,我们的目标是将水源从 S 通过管道运输到 T 点,且在满足管道能承受的输水量的前提下尽可能使得输送到 T 点的水最大化。 这就是最大流问题。 残存网络其实就是用边的剩余容量来表示每条边,如下图所示的残存网络。S->v2这条边上的数字“2”代表这条边剩余可通过容量为2。 实际写代码只用残存网络即可求出最大流 一条能从起点S到达起点T的流量大于0的路径就被称为增广路径,通过增广路径,流量一定会增加。 该算法概况起来,就是在残存网络中不断寻找增广路径,每找到一条增广路径,就递增最大流 f f f,并更新残存网络,直到残存网络中不存在增广路径,则此时f即为最终的最大流。 Ford-Fulkerson 算法是通过 DFS(深度优先遍历)的方式在当前残存网络中寻找增广路径的。 根据木桶原理,增广路径的流量等于该路径的边的最小剩余流量。如下图所示的增广路径,它的流量就是3,因为 v4->t 的容量为3
然后对该增广路径的反向边进行更新(反向边在初始化的时候,剩余流量都为0,所以在上面的图中没有画出来,反向边的作用就是让算法可以反悔,从而通过多次迭代,找到最优解),反向边的剩余流量全部加上3
然后重复上述过程,直到找不到增广路径,算法结束 Ford-Fulkerson 算法的整体实现思路如下,其实就是不断从残存网络寻找增广路径的过程 完整代码 # -*- coding: utf-8 -*-# # Author: WSKH # Blog: wskh0929.blog.csdn.net # Time: 2023/2/13 9:45 # Description: Ford Fulkerson 算法求解最大流问题 class Node: def __init__(self, name, arc_dict): self.name = name self.arc_dict = arc_dict def create_node(name, next_list, flow_list): arc_dict = {} for i in range(len(next_list)): arc_dict[next_list[i]] = flow_list[i] return Node(name, arc_dict) def Ford_Fulkerson_Solve(s, e, node_list, name_index_dict): ''' Ford_Fulkerson 算法核心函数 :param s: 起始节点名称 :param e: 终止节点名称 :param node_list: 节点列表 :param name_index_dict: 节点名字和索引字典 :return: 返回搜索到的所有增广路径及其流值 ''' routes = [] while True: res = dfs(e, [s], None, node_list, name_index_dict) if res is None: return routes # 追加增广路径到routes routes.append(res) # 更新node_list route, flow = res for i in range(len(route) - 1): n1 = node_list[name_index_dict[route[i]]] n2 = node_list[name_index_dict[route[i + 1]]] # 正向更新 n1 -> n2 剩余流量减少 if n2.name in n1.arc_dict.keys() and n1.arc_dict[n2.name] is not None: n1.arc_dict[n2.name] = n1.arc_dict[n2.name] - flow # 反向更新 n2 -> n1 剩余流量增加 if n1.name in n2.arc_dict.keys() and n2.arc_dict[n1.name] is not None: n2.arc_dict[n1.name] = n2.arc_dict[n1.name] + flow def dfs(e, cur_route, last_flow, node_list, name_index_dict): ''' DFS搜索增广路径 :param e: 终点节点名称 :param cur_route: 当前路径 :param last_flow: 上一个节点的流值,用来计算最小流 :param node_list: 节点列表 :param name_index_dict: 节点名字和索引字典 :return: 返回搜索到的增广路径及其流值,如果没找到就返回 None ''' if cur_route[-1] == e: return cur_route, last_flow index = name_index_dict[cur_route[-1]] for next_node_name in node_list[index].arc_dict.keys(): if next_node_name not in cur_route: flow = node_list[index].arc_dict[next_node_name] if flow is None or flow > 0: cur_route.append(next_node_name) res = dfs(e, cur_route, min_flow(last_flow, flow), node_list, name_index_dict) if res is not None: return res cur_route.pop(-1) def min_flow(f1, f2): ''' 求两个流量的较小者 ''' if f1 is None: return f2 elif f2 is None: return f1 else: return min(f1, f2) if __name__ == '__main__': # 格式: [节点名, 后继节点的名称, 当前节点到各个后继的流量] (None 代表流量无穷大) graph = [ ["S", ["1", "2", "3"], [None, None, None]], ["1", ["4"], [1]], ["2", ["4", "6"], [1, 1]], ["3", ["5"], [1]], ["4", ["1", "2", "E"], [0, 0, 1]], ["5", ["3", "E"], [0, 1]], ["6", ["2", "E"], [0, 1]], ["E", [], []] ] name_index_dict = dict() node_list = [] for i in range(len(graph)): node_list.append(create_node(graph[i][0], graph[i][1], graph[i][2])) name_index_dict[graph[i][0]] = i # 调用算法求解最大流 routes = Ford_Fulkerson_Solve("S", "E", node_list, name_index_dict) for i, (route, flow) in enumerate(routes): print(f"Route-{i + 1}: {route} , flow: {flow}")测试案例 程序输出 Route-1: ['S', '1', '4', 'E'] , flow: 1 Route-2: ['S', '2', '6', 'E'] , flow: 1 Route-3: ['S', '3', '5', 'E'] , flow: 1 三、Edmons-Karp 算法(最坏时间复杂度:O(m×m×n)) 3.1 算法介绍Edmons-Karp 算法比 Ford-Fulkerson 算法晚16年提出,它和 Ford-Fulkerson 算法唯一的区别在于寻找增广路径的方式不同,其余步骤完全一样。Edmons-Karp 算法在寻找增广路的时候是将残存网络看作一个无权图然后求S到T的最短路,这条最短路上的最小剩余流量如果大于0,那么就作为增广路径,进行残存网络的更新。 Edmons-Karp 算法贡献在于,它具有比 Ford-Fulkerson 算法更小的时间复杂度,Ford-Fulkerson 算法的时间复杂度受最大流大小影响,而 Edmons-Karp 算法只受节点数量和边的数量的影响 3.2 完整代码本代码使用 BFS(广度优先搜索) 求最短路,测试案例还是和上面的一样 # -*- coding: utf-8 -*-# # Author: WSKH # Blog: wskh0929.blog.csdn.net # Time: 2023/2/13 11:54 # Description: Edmons Karp 算法求解最大流问题 from queue import PriorityQueue class Node: def __init__(self, name, arc_dict): self.name = name self.arc_dict = arc_dict class Label: def __init__(self, route, last_flow): self.route = route self.last_flow = last_flow def __lt__(self, o): if len(self.route) == len(o.route): return 0 else: return 1 if len(self.route) > len(o.route) else -1 def create_node(name, next_list, flow_list): arc_dict = {} for i in range(len(next_list)): arc_dict[next_list[i]] = flow_list[i] return Node(name, arc_dict) def Edmons_Karp_Solve(s, e, node_list, name_index_dict): ''' Edmons Karp 算法核心函数 :param s: 起始节点名称 :param e: 终止节点名称 :param node_list: 节点列表 :param name_index_dict: 节点名字和索引字典 :return: 返回搜索到的所有增广路径及其流值 ''' routes = [] while True: res = bfs(s, e, node_list, name_index_dict) if res is None: return routes # 追加增广路径到routes routes.append([res.route, res.last_flow]) # 更新node_list route, flow = res.route, res.last_flow for i in range(len(route) - 1): n1 = node_list[name_index_dict[route[i]]] n2 = node_list[name_index_dict[route[i + 1]]] # 正向更新 n1 -> n2 剩余流量减少 if n2.name in n1.arc_dict.keys() and n1.arc_dict[n2.name] is not None: n1.arc_dict[n2.name] = n1.arc_dict[n2.name] - flow # 反向更新 n2 -> n1 剩余流量增加 if n1.name in n2.arc_dict.keys() and n2.arc_dict[n1.name] is not None: n2.arc_dict[n1.name] = n2.arc_dict[n1.name] + flow def bfs(s, e, node_list, name_index_dict): queue = PriorityQueue() queue.put(Label([s], None)) while queue.empty() is False: res = queue.get() index = name_index_dict[res.route[-1]] for next_node_name in node_list[index].arc_dict.keys(): if next_node_name not in res.route: flow = node_list[index].arc_dict[next_node_name] if flow is None or flow > 0: route = res.route.copy() route.append(next_node_name) if next_node_name == e: return Label(route, min_flow(res.last_flow, flow)) queue.put(Label(route, min_flow(res.last_flow, flow))) def min_flow(f1, f2): ''' 求两个流量的较小者 ''' if f1 is None: return f2 elif f2 is None: return f1 else: return min(f1, f2) if __name__ == '__main__': # 格式: [节点名, 后继节点的名称, 当前节点到各个后继的流量] (None 代表流量无穷大) graph = [ ["S", ["1", "2", "3"], [None, None, None]], ["1", ["4"], [1]], ["2", ["4", "6"], [1, 1]], ["3", ["5"], [1]], ["4", ["1", "2", "E"], [0, 0, 1]], ["5", ["3", "E"], [0, 1]], ["6", ["2", "E"], [0, 1]], ["E", [], []] ] name_index_dict = dict() node_list = [] for i in range(len(graph)): node_list.append(create_node(graph[i][0], graph[i][1], graph[i][2])) name_index_dict[graph[i][0]] = i # 调用算法求解最大流 routes = Edmons_Karp_Solve("S", "E", node_list, name_index_dict) for i, (route, flow) in enumerate(routes): print(f"Route-{i + 1}: {route} , flow: {flow}")程序输出 Route-1: ['S', '1', '4', 'E'] , flow: 1 Route-2: ['S', '2', '6', 'E'] , flow: 1 Route-3: ['S', '3', '5', 'E'] , flow: 1 四、Dinic 算法(最坏时间复杂度:O(m×n×n))由于边的数量 m 通常远远大于节点数量 n,所以通常情况下 Dinic 算法比 Edmons-Karp 算法更快。而且 Dinic 算法发表时间比 Edmons-Karp 算法还要早两年。 为了更好的讲解 Dinic 算法,下面先介绍一个重要的概念 Level Graph 4.1 Level GraphLevel Graph 是原图的一个子图,保留了原图中的所有节点和一部分边,下面图解 Level Graph 的构造过程 首先,将 S 作为 Level Graph 的第零层 然后,从 S 出发,可以到达的点有 v2,将 v2 加入 Level Graph,记作第一层 ,保留第零层到第一层的边 看一下右边的原图,从第一层可以到达的节点有 S 和 v4,由于 S 已经在 Level Graph 中了,所以不考虑。将 v4 加入 Level Graph,记作第二层,保留第一层到第二层的边。 看一下右边的原图,从第二层可以到达的节点有 v1、v2和v3,由于 v2 已经在 Level Graph中了,所以只考虑 v1和v3,将它们加入 Level Graph,记作第三层,保留第二层到第三层的边 看一下右边的原图,从第三层可以到达所有节点,由于目前只剩下节点 t 没有加入 Level Graph,所以将 t 加入 Level Graph,记作第四层,保留第三层到第四层的边。 至此,原图的 Level Graph 构造完毕!Level Graph 中节点的层数代表着从起点到达该起点所需要的最少步数(其实就是无权图下的最短路),这么看来,Dinic 算法其实结合了 Ford-Filkerson 和 Edmons-Karp 两个算法的思想呀! 4.2 算法介绍介绍完 Level Graph,下面开始正式介绍 Dinic 算法! 程序输出 Route-1: ['S', '3', '5', 'E'] , flow: 1 Route-2: ['S', '1', '4', 'E'] , flow: 1 Route-3: ['S', '2', '6', 'E'] , flow: 1 五、三种算法的性能测试本节测试所用的案例是随机案例,如下图所示,根据指定的 m 和 n,构造一个中间有两层节点的网络图 在测试1中,固定 m = 10,n 从 2 开始以 1 的步长一直自增到 20 在测试2中,固定 n = 10,m 从 2 开始以 1 的步长一直自增到 20 |
CopyRight 2018-2019 实验室设备网 版权所有 |