背景知识
KM算法的作者是Kuhn-Munkras，发明时间在1960年左右，你随手百度一把就能找到不少相关资料，这里我就不重复罗列了，稍微归总一下基于二分图匹配相关的几个算法。
具体可以参考这篇文章：浅谈KM算法
算法性能的平均方式
算法性能的评价标准一般基于两种方式进行衡量：时间复杂度和空间复杂度。设计良好的算法，一般都会把时间和空间复杂度做到最优的状态，但是如果时间复杂度和空间复杂度只能选其一的话，一般都会优先考虑时间复杂度。毕竟，现在计算机的内存已经越来越便宜，而时间却越来越宝贵，用空间换时间就是一种良好的对策。
为什么KM需要考虑时间复杂度
KM算法如果不进行任何优化，原始默认的时间复杂度是： <math xmlns="http://www.w3.org/1998/Math/MathML"> O ( n 4 ) O(n^4) </math>O(n4)
n: 表示二分匹配的顶标数目。
下面我用一个更通俗的故事来表示，为什么这个复杂度是 ： <math xmlns="http://www.w3.org/1998/Math/MathML"> O ( n 4 ) O(n^4) </math>O(n4)
故事如下
假设你是糖果工厂的小班长，要把3种不同颜色的糖果（红、蓝、绿）分给3个小朋友（小明、小红、小刚）。每个小朋友对不同颜色的糖果有不同的"喜爱值"，比如小明特别喜欢红色糖（值5分），小红最爱蓝色糖（值4分）等等。你的任务是让每个小朋友都分到一颗糖，并且让总"喜爱值"最高。
原始方法（慢吞吞的O(n⁴)）
-
第一步：随便分
比如先给小明红糖果（5分），小红蓝糖果（4分），小刚绿糖果（3分）。总和是5+4+3=12分。
-
第二步：检查有没有更好的分法
你觉得小刚可能更喜欢蓝糖果？于是重新调整：小明红糖果（5）、小红绿糖果（2）、小刚蓝糖果（4）。总和是5+2+4=11分，反而更差了！于是再换回来。
-
问题来了
每调整一次，都要从头开始计算所有可能的分法。
计算方式如下：
小朋友数：3
糖果数：3
总分法： 3 * 3 = 9
在最坏的情况下，每次都分错了，分错的总次数：3 * 3 = 9
所以总共尝试次数就是： 3 * 3 * 3 * 3 = 81
得到时间复杂度： <math xmlns="http://www.w3.org/1998/Math/MathML"> O ( n 2 ) ∗ O ( n 2 ) = O ( n 4 ) O(n^2)*O(n^2)=O(n^4) </math>O(n2)∗O(n2)=O(n4)
优化方法（聪明的O(n³)）
秘诀：用笔记本记录重要信息！
- 第一步：分糖果时做笔记
比如第一次分完后，你发现小红和小刚都喜欢蓝糖果，但小红更喜欢。于是你在笔记本上写："下次优先把蓝糖果给小红"。 - 第二步：按笔记调整
下次调整时，不用从头开始，直接看笔记本：蓝糖果已经给小红了，小刚只能选其他颜色。这样跳过了很多重复的尝试。 - 结果
每次调整只需要检查剩下的可能性，不用从头再来。如果有100个小朋友，大约只需要试100×100×100（一百万次），比之前快了一百倍！这就是O(n³)。
🌈 核心思想总结
- 原始方法：像没头苍蝇一样乱试，每次都要从头开始。
- 优化方法：用"笔记本"记住谁喜欢什么，避免重复劳动。
时间复杂度就像数数：
- 原始方法数数：1,2,3...10 → 要数10次，但每次都要重新从1开始，实际数了10×10=100次。
- 优化方法数数：1,2,3...10 → 直接记住数到哪里了，只数10次。
结论：记住中间结果（笔记本）让算法聪明多了！
KM算法的时间复杂度
原始KM算法的时间复杂度
根据我的学习，原始的KM算法在最坏情况下的时间复杂度是O(n^4)，其中n是图中顶点的数量。这个复杂度来源于算法的几个关键步骤：
- 初始化标号：为每个顶点分配初始标号。
- 寻找相等子图：基于标号构建一个包含所有顶点的子图，其中边的权重等于两端标号之和。
- 寻找完美匹配：在相等子图中尝试找到一个完美匹配。如果找不到，调整标号并重复。
在原始的实现中，每次调整标号后可能需要重新开始寻找匹配，这导致了较高的时间复杂度。
优化的KM算法
后来，人们对KM算法进行了优化，使其时间复杂度降低到O(n^3)。主要的优化点包括：
- 松弛边的处理：通过更高效的方式更新和维护可行顶标，减少不必要的计算。
- 使用广度优先搜索（BFS）或深度优先搜索（DFS） ：在寻找增广路径时，采用更高效的搜索策略。
- 避免重复计算：通过维护一些中间结果，避免在每次迭代中重复相同的计算。
