所谓二分图,是可以分为两个点集的图;

所谓二分图最大匹配,是两个点集之间,每两个不同点集的点连接,每个点只能连一个点,最大的连接数就是最大匹配。

如何解最大匹配,需要用到匈牙利算法。

另:本文写了很多细节,有的地方比较啰嗦,请大佬放过


匈牙利算法是一个递归的过程,它的特点,我觉得可以归为一个字:“让”。

例如这张图,按照匈牙利算法的思路就是:

1.1与5匹配,5没有被标记,将5标记,记录1与5匹配

2.清空标记

3.2与5匹配,5没有被标记,将5标记,发现5已经与1匹配,在[此处]重新递归1:

  ①1与5匹配,发现5已经被标记,跳出

  ②1与7匹配,发现7没有被标记,将7标记,记录1与7匹配,返回成功

4.回到2与5匹配的[此处],发现返回成功,则直接记录2与5匹配

5.清空标记

6.3与5匹配,5没有被标记,将5标记,发现5已经与2匹配,在[此处]重新递归2:

  ①2与5匹配,发现5已经被标记,跳出

  ②2没有其他连接的边了,返回失败

7.回到3与5匹配的[此处],发现返回失败,继续查找与3连接的边

8.3与6匹配,6没有被标记,将6标记,记录3与6匹配

9.清空标记

9.4与7匹配,7没有被标记,将7标记,发现7已经与1匹配,在[此处]重新递归1:

  ①1与5匹配,5没有被标记,将5标记,发现5已经与2匹配,在[此处A]重新递归2:

    ①2与5匹配,发现5已经被标记,跳出

    ②2没有连接的边了,返回失败

  ②回到1与5匹配的[此处A],发现返回失败,继续查找1连接的边

  ③1与7匹配,发现7已经被标记,跳出

  ④1没有可以连接的边了,返回失败

10.回到4与7匹配的[此处],发现返回失败,继续查找与4连接的边

11.4与8匹配,8没有被标记,将8标记,记录4与8匹配

12.清空标记

13.左边的点集枚举完毕,从记录中得到:1与7匹配,2与5匹配,3与6匹配,4与8匹配

这就是匈牙利算法(这就是人脑编译器吗)

用人话来说,就是

1:诶,你看我找到我连接的第一个,是一个没人占据的点啊,我和5匹配吧

2:诶,你看我找到我连接的第一个就是5,竟然被1占据了!可恶,1你再去找找有没有别的边去匹配!

1:我要匹配5!

2:这是我要匹配的!

1:好吧,我看看,我连接的第二个,是一个没人占据的边啊,我和7匹配吧

2:好棒啊,那我就和5匹配了

3:我连接的第一个边是5,居然被2占据了,2你去看看有没有别的边匹配啊

2:好,我第一个连接的点就是5,我要连接5!

3:我要和5匹配!泥奏凯!

2:好吧,那我连接的第二个点。。没有第二个点,我只有匹配5了!!!

3:我去,这么不凑巧,那好吧,我只好找找我连接的第二个点了,只有6了,6还没有被人占据,我捷足先登,嘿嘿嘿

4:我第一个连接的点是7,竟然被1占据了, 可恶,1给我等着,你去看看有没有别的边

1:我第一个连接的点是5,但是被2占据了,如果想让我给你挪腾地方的话,我只好先让2换个地方

2:那么我第一个连接的点是5,1你要用的话我就不可以匹配它。我没有第二个连接的点,因此1对不起,我不能给你挪腾地方

1:那好吧,那么我第二个连接的点是7——

4:我要这个点啊!本来我的目的就是让你挪腾地方离开7啊

1:那我没地可以挪腾了,爱能莫助啊~~~

4:那好吧,看看我连接的第二个点8,看来这个点没有被人占据,那么我就和它匹配

至此,所有的点都找到归属了。

(这tm不就是翻译过来吗,哪有正常人这么说话)

咳咳咳,anyway,匈牙利算法就是这样一个神奇的算法。

总结一下,从某种意义上来说,匈牙利算法算是一个动态规划。

为了读者理解方便,这里规定:我们枚举的点集用小写字母表示,另一个点集用大写字母表示。

因为由它的递归结构决定,只要一个点当前要匹配的点(设它为A)与另外的点(设它为B)要与同一个点(设它为c)匹配(为什么它们都要与c匹配的原因就是A是按照顺序依次匹配的,每一个A连接的点都要被依次尝试,由于匈牙利算法的内容决定的它的性质,因此无论顺序如何最后得到的都是最优的局面),那么A可以在B找到除了c以外的其它匹配的前提下达成对于A的最优局面,即A匹配c,B匹配另外的点。这样原来的匹配数不变,又增加了一条匹配。

如果B通过递归无法找到其它匹配,那么如果舍弃B这个匹配换上A的匹配,并不会增加匹配数。因此,这个策略是最优的。

但是这样说还不够,为什么就能保证A以前的匹配都是最优的呢?这样就必须说说B的递归匹配过程。

A要匹配c,那么让B与除了C以外的点匹配。如果B直接找到了未匹配的点(除了c,下同),那么直接匹配。如果B没有直接找到未匹配的点,那么B连接的边一定都是已经匹配其它点的。那么B就会尝试改变B要匹配的点(设它为d)的匹配的点(设它为E)的匹配,与A让B更换匹配一样,让E更换匹配为除了d以外的匹配点,这样B就可以得到d这个点的匹配了。然后,E重复B的过程......如此这般,如果一直找不到可以直接匹配的点的话,可以回溯到第一次匹配。这样,所有的匹配都会更换为:「在不改变原有匹配数的情况下,对A最优的局面,也就是对A匹配c最优的局面」,因此,每次匹配,总是会造成对当前局面的最优的匹配,如果局部不是最优,那么一旦涉及到需要这块局部最优的时候,这块将会同样被回溯到然后更改为最优。(这里的最优都是指的对当前局面的最优)。

当然,相信有聪明的同学已经想到,如果这样匹配的话,万一整个二分图不是联通图怎么办。很简单,如果按照上面代码的写法,每个连通块相当于一个二分图,每个二分图的匹配按照上面的写法总是最优的,最后的统计最大匹配只需要把每个连通块的最大匹配相加就可以了。

太长不看版:牵一发,动全身。每一次的尝试匹配的操作都会造成对当前整个图的匹配的调整,无论之前是怎样的图,最后都会被调整到对当前匹配最有利的图。

至于如何证明它的正确性,必须要这样一个东西来帮助我们:

增广路,它的性质是:(匹配点/边用1表示,非匹配点/边用0表示,N表示点/边的个数)

第一条边是非匹配边,然后到匹配边,然后到非匹配边......最后的边一定是非匹配边,并且边的个数一定是奇数。(01010101...0,N mod 2 ≠ 0)

那么匈牙利算法的实质,或者说另一种形式,就是不断寻找增广路来扩大匹配。

(我看的书上并没有增广路和匈牙利算法的关系,那么在这里详细说明是如何寻找增广路的)

在上面的描述中,我们知道,匈牙利算法的基本结构是枚举一个点集,通过上述方式“让”出最大匹配。

但是在“让”的过程中,我们发现,之前的操作,实际上都符合寻找增广路的方法。

例如,我们在匹配2的过程中(请回顾之前的模拟匈牙利算法的那段),

增广路的第一个点是2,接着经过那些操作,与2匹配的点是5,那么第二个点就是5。而之前与5匹配的点是1,1现在又7匹配。

则为:2->5->1->7

如果我们把更换匹配之前的匹配边称作匹配边,会发现:

2->5在更换匹配之前没有匹配,为非匹配边。

5->1在更换匹配之前是匹配的,为匹配边。

1->7在更换之前是没有匹配的,为非匹配边。

正好符合我们的增广路定义!其中,1->7就是我们增加的边。

为什么会这样?

让我们再来解说一次,用红色和蓝色来区分增广路和“让”的方法:

为了说明方便,这里假设最后匹配到了可以直接匹配的点,也就是说增广路发现成功

首先,增广路的第一个边必定是非匹配边。

我们枚举点集的时候必定没有枚举过当前枚举的点(设它为P),那么P之前没有与任何边匹配,所以与P相连的边是非匹配边,设与P相连的点为i。

如果i原来不是匹配点,那么这条增广路已经结束,不存在第二条边,最后一条边是非匹配边。

然后,增广路的第二条边必定是匹配边,最后一条边必定是非匹配边。

同上,如果P连接的i原来不是匹配点,则增广路结束,第二条边不存在,而第一条边也是最后一条边,也符合定义。

如果i原来是匹配点,设X为i原来匹配的点,因为P为非匹配点,则X≠P,则X必定是这条增广路的第三个点,则这条边,也就是第二条边,是匹配边。

接着,增广路的第三条边必定是非匹配边

这儿分两种情况,第一是X更换到的点(设它为y)是非匹配点,可以直接匹配,那么因为y是非匹配点,则X->y是非匹配边,符合定义。

第二是y已经匹配了,由于X原来是匹配点,而一个点只能匹配一个点,X已经与i匹配,则y原来必定与X不匹配,则这条边(X->y)原来必定不是匹配边。符合定义。

...剩下同理

因此,只要最后找到了未匹配点,都算找到了增广路。

---------------------------

模板题HDU - 1083

#include <cstdio>
#include <cstring> const int MaxN = ; int ask[MaxN];
int vis[MaxN][MaxN];
int matched[MaxN];
int n,m;//n:课程人数,m:学生人数
int ans; bool find(int from)
{
for(int i = ; i <= m; i++){
if(vis[from][i]){
if(!ask[i]){
ask[i] = ; if(!matched[i] || find (matched[i])){
matched[i] = from;
return ;
} } } }
return ; } void match(){
int count = ; memset(matched,,sizeof(matched)); for(int i = ; i <= n; i++){
memset(ask,,sizeof(ask)); if(find(i))
count ++; } ans = count ;
} int main()
{
int data_p;
scanf("%d",&data_p);
while(data_p--){ scanf("%d%d",&n,&m); for(int i = ; i <= m; i++){
int num = ; scanf("%d",&num);
for(int j = ; j <= num; j++){
int tmp;
scanf("%d",&tmp);
vis[i][tmp] = ; }
} match(); if(ans == n){
printf("YES\n");
}
else{
printf("NO\n");
}
memset(vis,,sizeof(vis));
ans = ;
} return ;
}

先在match函数中枚举每个左集的点,每个左集的点调用Find函数。

Find中,枚举右集的点,找匹配,将匹配到的点标记,如果这个标记了的点没有被匹配或者递归上去能找到其他点匹配,那么就把当前点匹配。

最后,记录matched数组中的个数,即为最大匹配。

---------------------------

HDU - 3729

#include <cstdio>
#include <cstring>
#include <cmath>
#include <algorithm> const int MaxN = ; struct EDGE{
int to,nxt;
}edge[MaxN];
int head[];//[]点最后一个连接的边
int e_num;//边的数量 void add(int u,int v){
edge[++e_num].to = v;
edge[e_num].nxt = head[u]; head[u] = e_num;
} int n,ans;
bool ask[MaxN];
int matched[MaxN];
int q[MaxN]; bool Find(int u){
for(int i = head[u]; i ; i = edge[i].nxt){
//if(edge[u][i]){
if(!ask[edge[i].to]){
ask[edge[i].to] = ; //printf("new : %d->%d\n",u,edge[i].to); if(!matched[edge[i].to] || Find(matched[edge[i].to])){
matched[edge[i].to] = u;
//printf("best match! %d|%d\n",u,i); //printf("matched[%d] = %d\n",i,matched[i]); return true;
}
}
//}
} return false;
} void match(){
memset(matched,,sizeof(matched)); int count = ; for(int i = n; i >= ; i --){
memset(ask,,sizeof(ask));
if(Find(i))
count ++;
} ans = count;
} int main()
{ int data_n;
scanf("%d",&data_n);
while(data_n--){ memset(edge,,sizeof(edge));
memset(head,,sizeof(head));
e_num = ; scanf("%d",&n);
for(int i = ; i <= n; i++){
int x1,x2;
scanf("%d%d",&x1,&x2);
for(int j = x1; j <= x2; j++){
//edge[i][j] = 1;
add(i,j);
}
}
/*debug
for(int i = 1; i <= n; i++){
for(int j = head[i] ; j ; j = edge[j].nxt){
printf("%d - > %d\n",i,edge[j].to); } }
//debug*/ match(); printf("%d\n",ans); int cnt = ; memset(q,,sizeof(q)); for(int j = ; j <= ; j++){
if(matched[j]){
q[++cnt] = matched[j];
}
} std::sort(q+,q+cnt+); for(int j = ; j <= cnt; j++){
printf("%d",q[j]);
if(j != cnt)
printf(" "); //printf("|end|");
} //if(data_n != 0)
printf("\n"); } return ;
}
/*
2
4
5004 5005
5005 5006
5004 5006
5004 5006
7
4 5
2 3
1 2
2 2
4 4
2 3
3 4
*/

几乎是模板题,只不过数据有10万,并且需要最大字典序输出,只需要把之前的邻接矩阵改成邻接表即可提高速度,

只要把左集倒序枚举即可得到最大字典序答案。


窃以为理解透彻了,将思路全部放上来,可能有些啰嗦。

写到后面脑子很乱,不知道该如何表达,不对地方还请指正

【OI】二分图最大匹配的更多相关文章

  1. POJ 2226二分图最大匹配

    匈牙利算法是由匈牙利数学家Edmonds于1965年提出,因而得名.匈牙利算法是基于Hall定理中充分性证明的思想,它是二部图匹配最常见的算法,该算法的核心就是寻找增广路径,它是一种用增广路径求二分图 ...

  2. POJ2239 Selecting Courses(二分图最大匹配)

    题目链接 N节课,每节课在一个星期中的某一节,求最多能选几节课 好吧,想了半天没想出来,最后看了题解是二分图最大匹配,好弱 建图: 每节课 与 时间有一条边 #include <iostream ...

  3. poj 2239 二分图最大匹配,基础题

    1.poj 2239   Selecting Courses   二分图最大匹配问题 2.总结:看到一个题解,直接用三维数组做的,很巧妙,很暴力.. 题意:N种课,给出时间,每种课在星期几的第几节课上 ...

  4. UESTC 919 SOUND OF DESTINY --二分图最大匹配+匈牙利算法

    二分图最大匹配的匈牙利算法模板题. 由题目易知,需求二分图的最大匹配数,采取匈牙利算法,并采用邻接表来存储边,用邻接矩阵会超时,因为邻接表复杂度O(nm),而邻接矩阵最坏情况下复杂度可达O(n^3). ...

  5. 二分图最大匹配的K&#246;nig定理及其证明

     二分图最大匹配的K?nig定理及其证明 本文将是这一系列里最短的一篇,因为我只打算把K?nig定理证了,其它的废话一概没有.    以下五个问题我可能会在以后的文章里说,如果你现在很想知道的话,网上 ...

  6. POJ3057 Evacuation(二分图最大匹配)

    人作X部:把门按时间拆点,作Y部:如果某人能在某个时间到达某门则连边.就是个二分图最大匹配. 时间可以二分枚举,或者直接从1枚举时间然后加新边在原来的基础上进行增广. 谨记:时间是个不可忽视的维度. ...

  7. ZOJ1654 Place the Robots(二分图最大匹配)

    最大匹配也叫最大边独立集,就是无向图中能取出两两不相邻的边的最大集合. 二分图最大匹配可以用最大流来解. 如果题目没有墙,那就是一道经典的二分图最大匹配问题: 把地图上的行和列分别作为点的X部和Y部, ...

  8. HDU:过山车(二分图最大匹配)

    http://acm.hdu.edu.cn/showproblem.php?pid=2063 题意:有m个男,n个女,和 k 条边,求有多少对男女可以搭配. 思路:裸的二分图最大匹配,匈牙利算法. 枚 ...

  9. UOJ #78 二分图最大匹配

    #78. 二分图最大匹配 从前一个和谐的班级,有 nl 个是男生,有 nr 个是女生.编号分别为 1,…,nl 和 1,…,nr. 有若干个这样的条件:第 v 个男生和第 u 个女生愿意结为配偶. 请 ...

随机推荐

  1. Nginx 的常用命令

    nginx命令,先来一波基本操作: start nginx // 启动Nginx nginx -t // 测试配置文件 nginx -v // 查看Nginx版本 nginx -V // 查看Ngin ...

  2. myeclipse 配置svn

    方法三:直接解压下载SVN插件:site-1.6.10.zip解压后将其全部文件拷贝至:D:\Program Files\Genuitec\MyEclipse 8.5\dropins(MyEclips ...

  3. oslo_messaging使用eventlet executor时rpc无法调用的问题

    python2.7.5 oslo.messaging==9.8.0 现象: 从debug日志可以看到rpcServer接收到了rabbitmq的消息, 但是没有调用endpoints中的相应方法 分析 ...

  4. tinyproxy 反向代理无法上网原因

      今天参照网上教程在服务器安装并配置了tinyproxy反向代理,此次安装反向代理的目的主要是通过内网连接上服务器,再使用服务器作为中转站进行上网.安装并启动的主要步骤如下 下载并安装tinypro ...

  5. Cocos2dx 3.0 过渡篇(二十八)C++11强类型枚举

    一朋友在微信朋友圈晒了张照片,随手点开大图,带着赞赏的眼光扫了下,恩,几个月不见.又美丽了...咦?等等,她戴的这是什么?酷炫的造型! 金属边框! 微型摄像头! 这不是传说中的谷歌眼镜么?土豪啊,还好 ...

  6. react高阶函数组件

    Layout as a Higher Order Component // components/MyLayout.js import Header from './Header'; const la ...

  7. GULP入门之API(二)

    GULP的API gulp.src(globs[, options]) 输出(Emits)符合所提供的匹配模式(glob)或者匹配模式的数组(array of globs)的文件. 将返回一个 Vin ...

  8. Leetcode589.N-ary Tree Preorder TraversalN叉树的前序遍历

    给定一个 N 叉树,返回其节点值的前序遍历. class Node { public: int val; vector<Node*> children; Node() {} Node(in ...

  9. 一个网页登陆界面写30多个测试Case——测试之道

    转自博文:http://www.cnblogs.com/I-am-Betty/p/3566411.html 具体需求: 有一个登陆页面, (假如上面有2个textbox, 一个提交按钮. 请针对这个页 ...

  10. MySQL系列(九)--InnoDB索引原理

    InnoDB在MySQL5.6版本后作为默认存储引擎,也是我们大部分场景要使用的,而InnoDB索引通过B+树实现,叫做B-tree索引.我们默认创建的 索引就是B-tree索引,所以理解B-tree ...