[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
打赏
0
0
0
0
5
分享
相关文章
基于Python深度学习的眼疾识别系统实现~人工智能+卷积网络算法
眼疾识别系统,本系统使用Python作为主要开发语言,基于TensorFlow搭建卷积神经网络算法,并收集了4种常见的眼疾图像数据集(白内障、糖尿病性视网膜病变、青光眼和正常眼睛) 再使用通过搭建的算法模型对数据集进行训练得到一个识别精度较高的模型,然后保存为为本地h5格式文件。最后使用Django框架搭建了一个Web网页平台可视化操作界面,实现用户上传一张眼疾图片识别其名称。
173 5
基于Python深度学习的眼疾识别系统实现~人工智能+卷积网络算法
猫狗宠物识别系统Python+TensorFlow+人工智能+深度学习+卷积网络算法
宠物识别系统使用Python和TensorFlow搭建卷积神经网络,基于37种常见猫狗数据集训练高精度模型,并保存为h5格式。通过Django框架搭建Web平台,用户上传宠物图片即可识别其名称,提供便捷的宠物识别服务。
392 55
基于GRU网络的MQAM调制信号检测算法matlab仿真,对比LSTM
本研究基于MATLAB 2022a,使用GRU网络对QAM调制信号进行检测。QAM是一种高效调制技术,广泛应用于现代通信系统。传统方法在复杂环境下性能下降,而GRU通过门控机制有效提取时间序列特征,实现16QAM、32QAM、64QAM、128QAM的准确检测。仿真结果显示,GRU在低SNR下表现优异,且训练速度快,参数少。核心程序包括模型预测、误检率和漏检率计算,并绘制准确率图。
80 65
基于GRU网络的MQAM调制信号检测算法matlab仿真,对比LSTM
基于WOA鲸鱼优化的CNN-GRU-SAM网络时间序列回归预测算法matlab仿真
本项目基于MATLAB 2022a实现时间序列预测,采用CNN-GRU-SAM网络结构,结合鲸鱼优化算法(WOA)优化网络参数。核心代码含操作视频,运行效果无水印。算法通过卷积层提取局部特征,GRU层处理长期依赖,自注意力机制捕捉全局特征,全连接层整合输出。数据预处理后,使用WOA迭代优化,最终输出最优预测结果。
基于机器学习的人脸识别算法matlab仿真,对比GRNN,PNN,DNN以及BP四种网络
本项目展示了人脸识别算法的运行效果(无水印),基于MATLAB2022A开发。核心程序包含详细中文注释及操作视频。理论部分介绍了广义回归神经网络(GRNN)、概率神经网络(PNN)、深度神经网络(DNN)和反向传播(BP)神经网络在人脸识别中的应用,涵盖各算法的结构特点与性能比较。
云栖大会 | Terraform从入门到实践:快速构建你的第一张业务网络
云栖大会 | Terraform从入门到实践:快速构建你的第一张业务网络
基于改进遗传优化的BP神经网络金融序列预测算法matlab仿真
本项目基于改进遗传优化的BP神经网络进行金融序列预测,使用MATLAB2022A实现。通过对比BP神经网络、遗传优化BP神经网络及改进遗传优化BP神经网络,展示了三者的误差和预测曲线差异。核心程序结合遗传算法(GA)与BP神经网络,利用GA优化BP网络的初始权重和阈值,提高预测精度。GA通过选择、交叉、变异操作迭代优化,防止局部收敛,增强模型对金融市场复杂性和不确定性的适应能力。
221 80
基于GA遗传优化的CNN-LSTM-SAM网络时间序列回归预测算法matlab仿真
本项目使用MATLAB 2022a实现时间序列预测算法,完整程序无水印。核心代码包含详细中文注释和操作视频。算法基于CNN-LSTM-SAM网络,融合卷积层、LSTM层与自注意力机制,适用于金融市场、气象预报等领域。通过数据归一化、种群初始化、适应度计算及参数优化等步骤,有效处理非线性时间序列,输出精准预测结果。
基于粒子群算法的网络最优节点部署优化matlab仿真
本项目基于粒子群优化(PSO)算法,实现WSN网络节点的最优部署,以最大化节点覆盖范围。使用MATLAB2022A进行开发与测试,展示了优化后的节点分布及其覆盖范围。核心代码通过定义目标函数和约束条件,利用PSO算法迭代搜索最佳节点位置,并绘制优化结果图。PSO算法灵感源于鸟群觅食行为,适用于连续和离散空间的优化问题,在通信网络、物联网等领域有广泛应用。该算法通过模拟粒子群体智慧,高效逼近最优解,提升网络性能。
基于GWO灰狼优化的CNN-GRU-SAM网络时间序列回归预测算法matlab仿真
本项目基于MATLAB2022a,展示了时间序列预测算法的运行效果(无水印)。核心程序包含详细中文注释和操作视频。算法采用CNN-GRU-SAM网络,结合灰狼优化(GWO),通过卷积层提取局部特征、GRU处理长期依赖、自注意力机制捕捉全局特征,最终实现复杂非线性时间序列的高效预测。

热门文章

最新文章

AI助理

你好,我是AI助理

可以解答问题、推荐解决方案等