网络流算法：从基础概念到Dinic优化实现

1. 网络流基础概念解析

网络流理论是图论中的一个重要分支，主要研究在网络中物质流动的规律和特性。想象一下城市供水系统：水源是起点，各家各户的水龙头是终点，水管就是连接它们的边，而管道的粗细决定了水的流量上限。这就是网络流最直观的现实映射。

在网络流模型中，我们通常用有向图G=(V,E)来表示：

• V代表顶点集合（如交叉路口、中转站）
• E代表有向边集合（如单向道路、传输管道）
• 每条边e∈E都有一个非负的容量c(e)（如管道承压能力）
• 存在唯一的源点s（起点）和汇点t（终点）

关键提示：虽然现实中的网络往往是无向的（如双向道路），但在理论建模时通常转化为两条反向的有向边来处理。

2. 最大流问题详解

2.1 流函数的数学定义

一个合法的流函数f:E→R⁺需要满足两个核心条件：

1. 容量约束：对于∀e∈E，0≤f(e)≤c(e)
2. 流量守恒：对于∀v∈V{s,t}，流入量=流出量

最大流问题的目标就是找到从s到t的流函数f，使得总流量|f|=∑f(s,v)达到最大。这相当于在保证管道不爆裂（容量约束）且中途不积压（流量守恒）的前提下，最大化整个系统的吞吐量。

2.2 Ford-Fulkerson方法

最经典的求解框架是Ford-Fulkerson方法，其核心思想是：

1. 初始化零流（所有边流量为0）
2. 在残量网络中寻找增广路径
3. 沿路径增加流量
4. 重复直到没有增广路径为止

残量网络G_f是对原图的改造：

• 对于原图中的边e=(u,v)，在G_f中保留其剩余容量c(e)-f(e)
• 添加反向边(v,u)并设置容量为f(e)

python复制# Ford-Fulkerson算法伪代码
def ford_fulkerson(G, s, t):
    max_flow = 0
    # 初始化残量网络（原图容量）
    residual = G.copy()  
    
    while True:
        # 使用BFS寻找增广路径
        path, min_capacity = find_augmenting_path(residual, s, t)
        if not path:
            break