[洛谷 P3376] 网络最大流 | 模板 Edmonds Karp(EK算法) 入门

简介: 题目描述如题,给出一个网络图,以及其源点和汇点,求出其网络最大流。输入格式第一行包含四个正整数 n nn,m mm,s ss,t tt,分别表示点的个数、有向边的个数、源点序号、汇点序号。接下来M行每行包含三个正整数 ui ,vi,wi ,表示第 i 条有向边从 ui 出发,到达 vi,边权为 wi即该边最大流量为 wi)。输出格式一行,包含一个正整数,即为该网络的最大流。

题目链接


题目描述


如题,给出一个网络图,以及其源点和汇点,求出其网络最大流。


输入格式


第一行包含四个正整数 n nn,m mm,s ss,t tt,分别表示点的个数、有向边的个数、源点序号、汇点序号。


接下来M行每行包含三个正整数 ui ,vi,wi ,表示第 i 条有向边从 ui 出发,到达 vi,边权为 wi即该边最大流量为 wi)。


输出格式


一行,包含一个正整数,即为该网络的最大流。

输入输出样例

4 5 4 3
4 2 30
4 3 20
2 3 20
2 1 30
1 3 40
50


样例输入输出 1 解释


80e888d89c2a411c9826d78ae5af2112.png


b2af0b70a4f244cba727e057f5c6d871.png


以下代码来源于《算法竞赛入门指南》


在最大流问题中,容量c cc和流量f ff满足三个性质:容量限制,即f ( u , v ) f(u,v)f(u,v) ≤ \leq≤ c ( u , v ) c(u,v)c(u,v)、斜对称性即 f ( u , v ) f(u,v)f(u,v) = − -− f ( v , u ) f(v,u)f(v,u)和流量平衡(对于除了节点s ss 和 节点t tt 外的任意节点u uu,

∑ ( u , v ) ∈ E f ( u , v ) = 0 \sum_{(u,v)\in E}^{} f(u,v) = 0

(u,v)∈E

f(u,v)=0

)。


问题的目标是最大化 ∣ f ∣ |f|∣f∣ =

∑ ( s , v ) ∈ E f ( s , v ) = ∑ ( u , t ) ∈ E f ( u , t ) \sum_{(s,v)\in E}^{} f(s,v) = \sum_{(u,t)\in E}^{} f(u,t)

(s,v)∈E

f(s,v)=

(u,t)∈E

f(u,t)

,即从s ss点流出的净流量(其也等于流入t tt点的净流量)。


算法思想:


从零流(所有边的流量均为0)开始不断增加流量,保持每次增加流量之后,都满足容量限制、斜对称性和流量平衡三个条件。

称每条边上容量与流量之差为残余容量,简称残量

根据下图a aa得到残量网络b bb,同样的可以由c cc得到d dd。

注意残量网络中的边数可能达到原图中的边数的两倍,在原图中:c = 16 c=16c=16,f = 11 f=11f=11的边在残量网络中对应正反两条边,残量分别为16 − 11 = 5 16-11=516−11=5和0 − ( − 11 ) = 11 0-(-11) = 110−(−11)=11


63bfe36f172a4aabb5206946aaf2c069.png


该算法基于这样一个事实:残量网络中任意一条从s ss到t tt的有向道路都对应一条原图中的增广路,只需要求出该道路中所有残量的最小值d dd,把对应的所有边上的流量增加d dd即可,这个过程称为增广过程。如果增广前的流量满足三个条件,增广后依然满足。显然,只要残量网络中存在增广路,流量就可以增大。可以证明他的逆命题也成立:如果残量网络中不存在增广路,则当前流就是最大流。这便是著名的增广路定理


当且仅当残量网络中不存在s ss− -−t tt的有向道路(增广路)时,此时的流时从s ss到t tt的最大流


struct Edge {
  int u, v;
  ll cap, flow;
  Edge(int uu, int vv, ll _cap, ll _flow) {
    u = uu, v = vv, cap = _cap, flow = _flow;
  }
};
struct EdmondsKarp {
  ll n, m;
  vector<Edge> edges;
  vector<int> G[maxn];
  ll a[maxn], p[maxn];
  void init(int n) {
    for (int i = 0; i <= n; i++) G[i].clear();
    edges.clear();
  }
  void add(int u, int v, ll cap) {
    edges.push_back(Edge(u, v, cap, 0));
    edges.push_back(Edge(v, u, 0, 0));
    m = edges.size();
    G[u].push_back(m - 2);
    G[v].push_back(m - 1);
  }
  ll maxFlow(int s, int t) {
    ll Flow = 0;
    while (true) {
      memset(a, 0, sizeof a);
      queue<int> que;
      que.push(s);
      a[s] = INF;
      while (que.size()) {
        int u = que.front();
        que.pop();
        for (int i = 0; i < G[u].size(); i++) {
          int id = G[u][i];
          Edge &e = edges[id];///不加&也是可以的
          int to = e.v;
          if (!a[to] && e.cap > e.flow) {
            p[to] = id;
            a[to] = min(a[u], e.cap - e.flow);
            que.push(to);
          }
        }
        if (a[t]) break;
      }
      if (!a[t]) break;
      for (int u = t; u != s; u = edges[p[u]].u) {
        edges[p[u]].flow += a[t];
        edges[p[u] ^ 1].flow -= a[t];
      }
      Flow += a[t];
    }
    return Flow;
  }
} slove;
int n, m, s, t;
int main() {
  cin >> n >> m >> s >> t;
  slove.init(n);
  slove.n = n;
  for (int i = 1; i <= m; i++) {
    int u = read, v = read;
    ll cap = read;
    slove.add(u,v,cap);
  }
  cout << slove.maxFlow(s,t) <<endl;
  return 0;
}



目录
相关文章
|
11天前
|
机器学习/深度学习 人工智能 算法
基于Python深度学习的【垃圾识别系统】实现~TensorFlow+人工智能+算法网络
垃圾识别分类系统。本系统采用Python作为主要编程语言,通过收集了5种常见的垃圾数据集('塑料', '玻璃', '纸张', '纸板', '金属'),然后基于TensorFlow搭建卷积神经网络算法模型,通过对图像数据集进行多轮迭代训练,最后得到一个识别精度较高的模型文件。然后使用Django搭建Web网页端可视化操作界面,实现用户在网页端上传一张垃圾图片识别其名称。
43 0
基于Python深度学习的【垃圾识别系统】实现~TensorFlow+人工智能+算法网络
|
12天前
|
消息中间件 编解码 网络协议
Netty从入门到精通:高性能网络编程的进阶之路
【11月更文挑战第17天】Netty是一个基于Java NIO(Non-blocking I/O)的高性能、异步事件驱动的网络应用框架。使用Netty,开发者可以快速、高效地开发可扩展的网络服务器和客户端程序。本文将带您从Netty的背景、业务场景、功能点、解决问题的关键、底层原理实现,到编写一个详细的Java示例,全面了解Netty,帮助您从入门到精通。
48 0
|
18天前
|
机器学习/深度学习 自然语言处理 前端开发
前端神经网络入门:Brain.js - 详细介绍和对比不同的实现 - CNN、RNN、DNN、FFNN -无需准备环境打开浏览器即可测试运行-支持WebGPU加速
本文介绍了如何使用 JavaScript 神经网络库 **Brain.js** 实现不同类型的神经网络,包括前馈神经网络(FFNN)、深度神经网络(DNN)和循环神经网络(RNN)。通过简单的示例和代码,帮助前端开发者快速入门并理解神经网络的基本概念。文章还对比了各类神经网络的特点和适用场景,并简要介绍了卷积神经网络(CNN)的替代方案。
|
1月前
|
弹性计算 人工智能 运维
Terraform从入门到实践:快速构建你的第一张业务网络(上)
本次分享主题为《Terraform从入门到实践:快速构建你的第一张业务网络》。首先介绍如何入门和实践Terraform,随后演示如何使用Terraform快速构建业务网络。内容涵盖云上运维挑战及IaC解决方案,并重磅发布Terraform Explorer产品,旨在降低使用门槛并提升用户体验。此外,还将分享Terraform在实际生产中的最佳实践,帮助解决云上运维难题。
125 1
Terraform从入门到实践:快速构建你的第一张业务网络(上)
|
28天前
|
机器学习/深度学习 人工智能 算法
【车辆车型识别】Python+卷积神经网络算法+深度学习+人工智能+TensorFlow+算法模型
车辆车型识别,使用Python作为主要编程语言,通过收集多种车辆车型图像数据集,然后基于TensorFlow搭建卷积网络算法模型,并对数据集进行训练,最后得到一个识别精度较高的模型文件。再基于Django搭建web网页端操作界面,实现用户上传一张车辆图片识别其类型。
72 0
【车辆车型识别】Python+卷积神经网络算法+深度学习+人工智能+TensorFlow+算法模型
|
30天前
|
机器学习/深度学习 算法 数据安全/隐私保护
基于贝叶斯优化CNN-LSTM网络的数据分类识别算法matlab仿真
本项目展示了基于贝叶斯优化(BO)的CNN-LSTM网络在数据分类中的应用。通过MATLAB 2022a实现,优化前后效果对比明显。核心代码附带中文注释和操作视频,涵盖BO、CNN、LSTM理论,特别是BO优化CNN-LSTM网络的batchsize和学习率,显著提升模型性能。
|
30天前
|
Java
[Java]Socket套接字(网络编程入门)
本文介绍了基于Java Socket实现的一对一和多对多聊天模式。一对一模式通过Server和Client类实现简单的消息收发;多对多模式则通过Server类维护客户端集合,并使用多线程实现实时消息广播。文章旨在帮助读者理解Socket的基本原理和应用。
23 1
|
1月前
|
机器学习/深度学习 算法 数据挖掘
基于GWO灰狼优化的GroupCNN分组卷积网络时间序列预测算法matlab仿真
本项目展示了基于分组卷积神经网络(GroupCNN)和灰狼优化(GWO)的时间序列回归预测算法。算法运行效果良好,无水印展示。使用Matlab2022a开发,提供完整代码及详细中文注释。GroupCNN通过分组卷积减少计算成本,GWO则优化超参数,提高预测性能。项目包含操作步骤视频,方便用户快速上手。
|
1月前
|
机器学习/深度学习 算法 数据安全/隐私保护
基于WOA鲸鱼优化的GroupCNN分组卷积网络时间序列预测算法matlab仿真
本项目展示了一种基于WOA优化的GroupCNN分组卷积网络时间序列预测算法。使用Matlab2022a开发,提供无水印运行效果预览及核心代码(含中文注释)。算法通过WOA优化网络结构与超参数,结合分组卷积技术,有效提升预测精度与效率。分组卷积减少了计算成本,而WOA则模拟鲸鱼捕食行为进行优化,适用于多种连续优化问题。
|
1月前
|
机器学习/深度学习 人工智能 算法
【玉米病害识别】Python+卷积神经网络算法+人工智能+深度学习+计算机课设项目+TensorFlow+模型训练
玉米病害识别系统,本系统使用Python作为主要开发语言,通过收集了8种常见的玉米叶部病害图片数据集('矮花叶病', '健康', '灰斑病一般', '灰斑病严重', '锈病一般', '锈病严重', '叶斑病一般', '叶斑病严重'),然后基于TensorFlow搭建卷积神经网络算法模型,通过对数据集进行多轮迭代训练,最后得到一个识别精度较高的模型文件。再使用Django搭建Web网页操作平台,实现用户上传一张玉米病害图片识别其名称。
59 0
【玉米病害识别】Python+卷积神经网络算法+人工智能+深度学习+计算机课设项目+TensorFlow+模型训练
下一篇
无影云桌面