匈牙利算法(Kuhn-Munkres)算法[通俗易懂]

大家好，又见面了，我是你们的朋友全栈君。

这个算法有点难度，一般比较标准的描述网页上也有相关的描述，我在这里就简单的用十分通俗的语言给大家入个门

主要可以结合https://blog.csdn.net/zsfcg/article/details/20738027这一篇来理解

首先要理解一些基本概念，看图

所谓匹配，就是不相邻的边的集合

最大匹配，就是这些集合中，边数最多的那个集合

如果某一个匹配中所有的边的两个端点包含了图上所有的点，就是完美匹配。

|N(S)|或者|X|或|Y|表示的是相应集合的元素的个数。

N(S)表示与S集合中的顶点相邻接的顶点，例如，A-B-C-D中，B的邻接点就是A和C。

A-B-C-D是一条增广路，红色线表示属于M匹配，黑色线表示不属于，图中，B，C两点是M饱和的，A,D两点是非M饱和的。

交替路故名思意就是交互替错的边，三条连续的边一个是匹配然后一个不是再下一个又是了

扩展路（增广路）可以理解为不是两个端点都在里面，所有的边里面有一些只有一个端点，也就是不饱和。

下面给出这个算法的步骤理解

上面这个算法只是针对饱和X的，意思就是，如果X中的每个顶点都已匹配上，那么算法终止，而不必管Y中的顶点是否都有匹配。

圆圈里面一个加号的运算其实可以简单理解为增广路的取反，所谓取反就是把属于M匹配的边变成不属于M的边，把不属于M的边变为属于M的边，在那个A-B-C-D的增广路的图例中就是把A-B和C-D边变成红色而把B-C边变成黑色。这样做一个明显的作用就是匹配的边数增多了一条！

我的理解是，这个算法的最终目的就是输出一个匹配，而其中所有X的端点必须全部包含在里面，

1、首先的前提必须是X比Y的个数要少，

2、然后取一个匹配出来看是不是饱和，是饱和就直接输出，不是的话取一个不饱和的端点放到S中，定义一个T空集合

3、看S中的端点是不是都在T里面，是的话就停止，不是的话S集合中的顶点相邻接的顶点(也就是N（s）)去掉T中的点，再从中选一个点y

4、接下来看这个y，看它是不是饱和的

如果是饱和就把它对应的那个饱和的端点z放到S中，把y放到T当中，跳到第三步这里检查；

如果不是饱和，那这个时候有一个点x和它组成了增广路xy，反向选择它两边的路（在上面的实例图中就相当于A-B和C-D边变成红色而把B-C边变成黑色，明显的作用就是增多了一条匹配的边数），然后跳转到第二步。

所以总结一下的话，可以理解为它不断创造条件得到一个包含所有X端点的匹配，如果一开始没有找到，就先从图中找一个没有饱和的点，把它的另一个点加进来，然后看还有没有饱和的可能性），没有就把那条路的相邻的边加进来（就相当于这个边删掉，取它）

网页里面这个ppt的例子很直观，理解完上面的以后再看这个就很简单了

再次提一下N(S)表示与S集合中的顶点相邻接的顶点，而T其实是存放的计算过程中饱和的点

抽象的说，是我们在X这边保存了已经访问过的点S,在Y这边类似有T，从u点开始S和T都不断增大，每次只增大1,增大

的规则是u的邻接点y如果已经匹配z，就把y加到T，z加到S，下一步的操作，是换个u, 再将T中没有访问过的点再次考查

一遍。如果y没有匹配，那正好，根据你的访问规则，这个时候u和y肯定可以配对的，这样就可以增加配对了。

    我们的工作是为了让配对的个数越来越多，直到最后不能再配对。不能配对的判定就是Hall定理,S的邻接点刚好是T。

以上就是匈牙利算法的基本步骤和计算过程了

下面来看看求二部图最大匹配的匈牙利算法，就是不管X还是Y，我们求得是含匹配边最多的匹配

 一般的，我们会这样取顶点标号的值：l(y)全部赋值为0，而l(x)取得是和顶点x相邻接的所有的点之间的权重的最大值。下面有个例子用的就是这个方法。

“图G的平凡标号”那个图上X集中的各顶点上的数字5,2,4,1就是顶点标号，Y集中的顶点标号全为0。

这里仔细看一下的话5241就是所有的和这个端点相连的路中权重最大的值，然后把这些权重对应的路都找出来，就是相等子图咯

上面这个修改标号的过程是KM算法区别于匈牙利算法的地方。修改的目的是在目前找到的M匹配的基础上增加可行顶点，从而得到增广路。

 这是我在写这篇翻阅的一些网站，特此感谢

http://www.bubuko.com/infodetail-2136960.html

https://blog.csdn.net/zsfcg/article/details/20738027

https://www.cnblogs.com/kuangbin/archive/2012/08/19/2646535.html（matlab的实现）

python代码实现的官网：https://pypi.org/project/munkres/1.0.5.4/

摘抄的一些零散的总结帮助大家理解

[二分图带权匹配与最佳匹配]

什么是二分图的带权匹配？二分图的带权匹配就是求出一个匹配集合，使得集合中边的权值之和最大或最小。而二分图的最佳匹配则一定为完备匹配，在此基础上，才要求匹配的边权值之和最大或最小。二分图的带权匹配与最佳匹配不等价，也不互相包含。

这两个的关系比较悬乎。我的理解就是带权匹配是不考虑是不是完备，只求最大或最小权匹配。而最佳匹配则必须在完备匹配的基础上找最大或最小权匹配。

这两个还是结合具体题目比较好理解些。

KM算法是求最大权完备匹配，如果要求最小权完备匹配怎么办？方法很简单，只需将所有的边权值取其相反数，求最大权完备匹配，匹配的值再取相反数即可。

KM算法的运行要求是必须存在一个完备匹配，如果求一个最大权匹配(不一定完备)该如何办？依然很简单，把不存在的边权值赋为0。

KM算法求得的最大权匹配是边权值和最大，如果我想要边权之积最大，又怎样转化？还是不难办到，每条边权取自然对数，然后求最大和权匹配，求得的结果a再算出e^a就是最大积匹配。至于精度问题则没有更好的办法了。

二分图最优匹配：对于二分图的每条边都有一个权（非负），要求一种完备匹配方案，使得所有匹配边的权和最大，记做最优完备匹配。（特殊的，当所有边的权为1时，就是最大完备匹配问题）

定义     设G＝<V₁，V₂，E>为二部图，|V₁|≤|V₂|，M为G中一个最大匹配，且|M|＝|V₁|，则称M为V₁到V₂的完备匹配。

在上述定义中，若|V₂|＝|V₁|，则完备匹配即为完美匹配，若|V₁|<|V₂|，则完备匹配为G中最大匹配。

KM算法是通过给每个顶点一个标号（叫做顶标）来把求最大权匹配的问题转化为求完备匹配的问题的。设顶点X_i的顶标为A[i]，顶点Y_i的顶标为B[i]，顶点X_i与Y_j之间的边权为w[i,j]。在算法执行过程中的任一时刻，对于任一条边(i,j)，A[i]+B[j]>=w[i,j]始终成立，初始A[i]为与xi相连的边的最大边权，B[j]=0。KM算法的正确性基于以下定理：

若由二分图中所有满足A[i]+B[j]=w[i,j]的边(i,j)构成的子图（称做相等子图）有完备匹配，那么这个完备匹配就是二分图的最大权匹配。

因为对于二分图的任意一个匹配，如果它包含于相等子图，那么它的边权和等于所有顶点的顶标和；如果它有的边不包含于相等子图，那么它的边权和小于所有顶点的顶标和（即不是最优匹配）。所以相等子图的完备匹配一定是二分图的最大权匹配。

该算法是通过给每个顶点一个标号（叫做顶标）来把求最大权匹配的问题转化为求完备匹配的问题的。设顶点Xi的顶标为A[ i ]，顶点Yj的顶标为B[ j ]，顶点Xi与Yj之间的边权为w[i,j]。在算法执行过程中的任一时刻，对于任一条边(i,j)，A[ i ]+B[j]>=w[i,j]始终成立。

　　KM算法的正确性基于以下定理：

　　若由二分图中所有满足A[ i ]+B[j]=w[i,j]的边(i,j)构成的子图（称做相等子图）有完备匹配，那么这个完备匹配就是二分图的最大权匹配。

　　首先解释下什么是完备匹配，所谓的完备匹配就是在二部图中，X点集中的所有点都有对应的匹配或者是

　　Y点集中所有的点都有对应的匹配，则称该匹配为完备匹配。

　　这个定理是显然的。因为对于二分图的任意一个匹配，如果它包含于相等子图，那么它的边权和等于所有顶点的顶标和；如果它有的边不包含于相等子图，那么它的边权和小于所有顶点的顶标和。所以相等子图的完备匹配一定是二分图的最大权匹配。

　　初始时为了使A[ i ]+B[j]>=w[i,j]恒成立，令A[ i ]为所有与顶点Xi关联的边的最大权，B[j]=0。如果当前的相等子图没有完备匹配，就按下面的方法修改顶标以使扩大相等子图，直到相等子图具有完备匹配为止。

　　我们求当前相等子图的完备匹配失败了，是因为对于某个X顶点，我们找不到一条从它出发的交错路。这时我们获得了一棵交错树，它的叶子结点全部是X顶点。现在我们把交错树中X顶点的顶标全都减小某个值d，Y顶点的顶标全都增加同一个值d，那么我们会发现：

　　1）两端都在交错树中的边(i,j)，A[ i ]+B[j]的值没有变化。也就是说，它原来属于相等子图，现在仍属于相等子图。

　　2）两端都不在交错树中的边(i,j)，A[ i ]和B[j]都没有变化。也就是说，它原来属于（或不属于）相等子图，现在仍属于（或不属于）相等子图。

　　3）X端不在交错树中，Y端在交错树中的边(i,j)，它的A[ i ]+B[j]的值有所增大。它原来不属于相等子图，现在仍不属于相等子图。

　　4）X端在交错树中，Y端不在交错树中的边(i,j)，它的A[ i ]+B[j]的值有所减小。也就说，它原来不属于相等子图，现在可能进入了相等子图，因而使相等子图得到了扩大。

　　现在的问题就是求d值了。为了使A[ i ]+B[j]>=w[i,j]始终成立，且至少有一条边进入相等子图，d应该等于：

　　Min{A[ i ]+B[j]-w[i,j] | Xi在交错树中，Yi不在交错树中}。　　以上就是KM算法的基本思路。但是朴素的实现方法，时间复杂度为O(n4)——需要找O(n)次增广路，每次增广最多需要修改O(n)次顶标，每次修改顶标时由于要枚举边来求d值，复杂度为O(n2)。实际上KM算法的复杂度是可以做到O(n3)的。我们给每个Y顶点一个“松弛量”函数slack，每次开始找增广路时初始化为无穷大。在寻找增广路的过程中，检查边(i,j)时，如果它不在相等子图中，则让slack[j]变成原值与A[ i ]+B[j]-w[i,j]的较小值。这样，在修改顶标时，取所有不在交错树中的Y顶点的slack值中的最小值作为d值即可。但还要注意一点：修改顶标后，要把所有的不在交错树中的Y顶点的slack值都减去d。

　　Kuhn－Munkras算法流程：

　　(1)初始化可行顶标的值

　　(2)用匈牙利算法寻找完备匹配

　　(3)若未找到完备匹配则修改可行顶标的值

　　(4)重复(2)(3)直到找到相等子图的完备匹配为止　

最后还是强调一点：

KM算法用来解决最大权匹配问题： 在一个二分图内，左顶点为X，右顶点为Y，现对于每组左右连接XiYj有权wij，求一种匹配使得所有wij的和最大。

也就是最大权匹配一定是完备匹配。如果两边的点数相等则是完美匹配。

如果点数不相等，其实可以虚拟一些点，使得点数相等，也成为了完美匹配。 

最大权匹配还可以用最大流去解决。。。