二分图最大匹配 —— 匈牙利算法-工具盒子

图中点可以被分为两组，并且使得所有边都跨越组的边界，则这就是一个二分图，匈牙利算法是求解二分图最大匹配的一种方法，本文介绍相关内容。

定义 {#定义}

二分图 {#二分图}

图中的边均为无向无权边

简单来说，如果图中点可以被分为两组，并且使得所有边都跨越组的边界，则这就是一个二分图。
准确地说：把一个图的顶点划分为两个不相交集$U$和$V$，使得每一条边都分别连接$U$、$V$中的顶点。如果存在这样的划分，则此图为一个二分图。
二分图的一个等价定义是：不含有「含奇数条边的环」的图。

图 1 是一个二分图。为了清晰，把它画成图 2 的形式。

|-------------------------------------------------------------------------------------------------------------------------------|-------------------------------------------------------------------------------------------------------------------------------| | | | | 图1 | 图2 |

匹配 {#匹配}

在图论中，一个「匹配」（matching）是一个边的集合，其中任意两条边都没有公共顶点。

例如，图 3、图 4 中红色的边就是图 2 的匹配。

匹配点、匹配边、未匹配点、非匹配边 {#匹配点、匹配边、未匹配点、非匹配边}

它们的含义非常显然。

例如图 3 中 1、4、5、7 为匹配点，其他顶点为未匹配点；1-5、4-7为匹配边，其他边为非匹配边。

最大匹配 {#最大匹配}

一个图所有匹配中，所含匹配边数最多的匹配，称为这个图的最大匹配。

图 4 是一个最大匹配，它包含 4 条匹配边。

完美匹配 {#完美匹配}

如果一个图的某个匹配中，所有的顶点都是匹配点，那么它就是一个完美匹配。

图 4 是一个完美匹配。显然，完美匹配一定是最大匹配（完美匹配的任何一个点都已经匹配，添加一条新的匹配边一定会与已有的匹配边冲突）。但并非每个图都存在完美匹配。

最大匹配数 {#最大匹配数}

最大匹配的匹配边的数目

最小点覆盖数 {#最小点覆盖数}

选取最少的点，使任意一条边至少有一个端点被选择

最小路径覆盖数 {#最小路径覆盖数}

对于一个 DAG（有向无环图），选取最少条路径，使得每个顶点属于且仅属于一条路径。路径长可以为 0（即单个点）。

最大独立数 {#最大独立数}

选取最多的点，使任意所选两点均不相连

定理 {#定理}

最大匹配数 = 最小点覆盖数（Konig 定理）
最大匹配数 = 最大独立数
最小路径覆盖数 = 顶点数 - 最大匹配数

匈牙利算法 {#匈牙利算法}

叫做匈牙利算法 的事实上有两个算法，分别解决指派问题和二分图最大匹配求解问题，此处算法指求解二分图最大匹配的匈牙利算法。

增广路 {#增广路}

从一个未匹配点出发，走交替路，如果途径另一个未匹配点（出发的点不算），则这条交替路称为增广路（agumenting path）。

例如，图 5 中的一条增广路如图 6 所示（图中的匹配点均用红色标出）：

增广路有一个重要特点：非匹配边比匹配边多一条。因此，研究增广路的意义是改进匹配。只要把增广路中的匹配边和非匹配边的身份交换即可。由于中间的匹配节点不存在其他相连的匹配边，所以这样做不会破坏匹配的性质。交换后，图中的匹配边数目比原来多了 1 条。

匈牙利树 {#匈牙利树}

一般由 BFS 构造（类似于 BFS 树）。从一个未匹配点出发运行 BFS（唯一的限制是，必须走交替路），直到不能再扩展为止。

例如，由图 7，可以得到如图 8 的一棵 BFS 树：

这棵树（图8）存在一个叶子节点为非匹配点（7 号），但是匈牙利树要求所有叶子节点均为匹配点，因此这不是一棵匈牙利树；

但图 8 中根节点 2 到非匹配叶子节点 7 显然是一条增广路，沿这条增广路扩充后将得到一个完美匹配；

真正的匈牙利树如下图所示：

算法思路 {#算法思路}

可以通过不停地找增广路来增加匹配中的匹配边和匹配点。找不到增广路时，达到最大匹配（这是增广路定理）。

匈牙利算法 {#匈牙利算法-2}

从左边第 1 个顶点开始，挑选未匹配点进行搜索，寻找增广路。
1. 如果经过一个未匹配点，说明寻找成功。更新路径信息，匹配边数 +1，停止搜索。
2. 如果一直没有找到增广路，则不再从这个点开始搜索。事实上，此时搜索后会形成一棵匈牙利树。我们可以永久性地把它从图中删去，而不影响结果。
由于找到增广路之后需要沿着路径更新匹配，所以我们需要一个结构来记录路径上的点。DFS 版本通过函数调用隐式地使用一个栈，而 BFS 版本使用 prev 数组。

算法示例 {#算法示例}

以男生女生结成情侣的场景为例，有男生节点和女生节点组成的二分图，部分男生女生之间互有好感，那么最多可以组成多少对情侣
数学表述: 求解二分图中最多能找到多少条没有公共端点的边 / 二分图的最大匹配数

算法流程 {#算法流程}

从B1看起，他对G2有好感，暂时把他与G2连接（注意这时只是你作为一个红娘在纸上构想，没有真正行动）。

接下来看 B2，B2也喜欢G2，这时G2已经"名花有主"了（虽然只是我们设想的），那怎么办呢？我们倒回去看G2目前被安排的男友，是B1，B1有没有别的选项呢？有，G4，G4还没有被安排，那我们就给B1安排上G4。

然后B3，B3直接配上G1就好了，这没什么问题。至于B4，他只钟情于G4，G4目前配的是B1。B1除了G4还可以选G2，但是呢，如果B1选了G2，G2的原配B2就没得选了。我们绕了一大圈，发现B4只能注定单身了，可怜。

算法复杂度 {#算法复杂度}

以上就是匈牙利算法的基本流程，时间复杂度为 $O(n^3)$
- 需要找$O(n)$次增广路
- 对每个节点搜索增广路径时，边数上限为$n^2$，因此复杂度为 $O(n^2)$

最小点覆盖问题 {#最小点覆盖问题}

另外一个关于二分图的问题是求最小点覆盖 ：我们想找到最少的一些点，使二分图所有的边都至少有一个端点在这些点之中。倒过来说就是，删除包含这些点的边，可以删掉所有边。

根据 König 定理：一个二分图中的最大匹配数等于这个图中的最小点覆盖数；
因此该问题可以用上述匈牙利算法解决；
从左侧一个未匹配成功的点 出发，走一趟匈牙利算法的流程（即紫色的箭头），所有左侧未经过的点 ，和右侧经过的点，即组成最小点覆盖。

匈牙利算法的应用 {#匈牙利算法的应用}

匈牙利算法可以用来解决一些看似无关的问题。

矩阵游戏 {#矩阵游戏}

题目描述
小Q是一个非常聪明的孩子，除了国际象棋，他还很喜欢玩一个电脑益智游戏――矩阵游戏。矩阵游戏在一个$N×N$ 黑白方阵进行（如同国际象棋一般，只是颜色是随意的）。每次可以对该矩阵进行两种操作：
行交换操作：选择矩阵的任意两行，交换这两行（即交换对应格子的颜色）
列交换操作：选择矩阵的任意两列，交换这两列（即交换对应格子的颜色）
游戏的目标，即通过若干次操作，使得方阵的主对角线(左上角到右下角的连线)上的格子均为黑色。
对于某些关卡，小Q百思不得其解，以致他开始怀疑这些关卡是不是根本就是无解的！于是小Q决定写一个程序来判断这些关卡是否有解。
输入格式
第一行包含一个整数T，表示数据的组数。
接下来包含T组数据，每组数据第一行为一个整数N，表示方阵的大小；接下来N行为一个$N×N$ 的01矩阵（0表示白色，1表示黑色)。
输出格式
包含T行。对于每一组数据，如果该关卡有解，输出一行Yes；否则输出一行No。

我们把矩阵转化为二分图（左侧集合代表各行，右侧集合代表各列，某位置为1则该行和该列之间有边）。我们想进行一系列交换操作，使得X1连上Y1，X2连上Y2，......
大家可以想象，所谓的交换，是不是可以等价为重命名？我们可以在保持当前二分图结构不变的情况下，把右侧点的编号进行改变，这与交换的效果是一样的。
所以想让X1、X2...与Y1、Y2...一一对应，其实只需要原图最大匹配数为4就行了。

CoVH之柯南开锁 {#CoVH之柯南开锁}

由$M*N$个格子组成, 其中某些格子凸起(灰色的格子)。每一次操作可以把某一行或某一列的格子给按下去。需要在限定次数把所有格子按下去，请计算出开给定的锁所需的最少次数。

读入/Input：

第一行两个不超过100的正整数N, M表示矩阵的长和宽
以下N行每行M个数非0即1 1为凸起方格

输出/Output：

一个整数所需最少次数

如果我们把样例的矩阵，转化为二分图的形式，是这样的：

按下一行或一列，其实就是删掉与某个点相连的所有边。现在要求最少的操作次数，想想看，这不就是求最小点覆盖数吗？所以直接套匈牙利算法即可。

棋盘覆盖 {#棋盘覆盖}

描述 Description
给出一张nn(n<=100)的国际象棋棋盘，其中被删除了一些点，问可以使用多少1 2的多米诺骨牌进行掩盖。
输入格式 Input Format
第一行为n，m（表示有m个删除的格子）
第二行到m+1行为x,y，分别表示删除格子所在的位置
x为第x行
y为第y列
输出格式 Output Format
一个数，即最大覆盖格数