上一篇我们建立了Ford-Fulkerson方法的理论框架：反复在剩余网络中寻找增广路径并增广，直至无路可寻，由最大流最小割定理保证得到最大流。但这个框架留下了一个关键缺口------以什么策略选择增广路径？不同的策略可能导致天壤之别的性能。最坏情况下，若每次任意选择，迭代次数可能高达最大流值本身，而该值可以是容量的指数级。将"任意选"升级为"聪明地选"，是改进最大流算法的核心思路。
一、Edmonds-Karp算法：BFS的最短路径策略
Edmonds-Karp算法的改进极其简洁：在Ford-Fulkerson框架中，每次用广度优先搜索选取一条边数最少的增广路径。这一策略的唯一变化是将DFS或任意搜索替换为BFS，却带来了从伪多项式到强多项式的本质跨越。
分析其效率的关键在于证明一个单调性引理：在Edmonds-Karp算法的执行过程中，剩余网络中从源点 ss 到任意顶点 vv 的最短距离（以边数计）单调非减。设 δf(u)δf(u) 为当前剩余网络 GfGf 中 ss 到 uu 的最短距离，一旦一条边 (u,v)(u,v) 在本次增广中成为瓶颈（即其剩余容量变为零，从剩余网络中消失），在它重新获得正剩余容量（即反向边被使用而恢复正向容量）之前，δf(v)δf(v) 必须至少增加2。由于任意顶点的距离上界为 ∣V∣−1∣V∣−1，每条边成为瓶颈的次数不超过 ∣V∣/2∣V∣/2 次。共有 ∣E∣∣E∣ 条边，总瓶颈次数------也就是增广次数------不超过 O(∣V∣⋅∣E∣)O(∣V∣⋅∣E∣)。
每次BFS耗时 O(∣E∣)O(∣E∣)，故Edmonds-Karp算法的总时间复杂度为 O(∣V∣⋅∣E∣2)O(∣V∣⋅∣E∣2)。这个界仅依赖于图的规模，与边容量无关，是一个真正意义上的多项式时间算法。在稀疏图中，∣E∣=O(∣V∣)∣E∣=O(∣V∣) 时复杂度约为 O(∣V∣3)O(∣V∣3)；在稠密图中可达 O(∣V∣5)O(∣V∣5)，此时仍有优化空间。
二、Dinic算法：分层图与阻塞流
Dinic算法在Edmonds-Karp的基础上进一步压榨效率。其核心创新有两点：一是引入分层图 来一次处理多条相同长度的增广路径，二是通过阻塞流在一次分层图中尽可能多地推送流量，而非逐条增广。
分层图的构造依赖于剩余网络中 ss 到各顶点的最短距离（边数）。定义层数 levelu=δGf(s,u)levelu=δGf(s,u)，分层图 LL 仅保留从第 ii 层指向第 i+1i+1 层的边，即满足 levelv=levelu+1levelv=levelu+1 的边 (u,v)(u,v)。分层图显然是一个DAG，因为所有边都严格递增层数，不可能出现环。
在分层图上，定义阻塞流为这样一个流：在分层图中，从 ss 到 tt 的任意路径上，都至少有一条边被流填满至容量上限。换言之，在分层图中已无法在不违反容量的前提下沿任意路径再输送更多流量。
Dinic算法的整体结构如下：
-
在剩余网络 GfGf 上运行BFS，构造分层图 LL。若 tt 不可达（即 leveltlevelt 未定义），算法终止，当前流即为最大流。
-
在分层图 LL 上求一个阻塞流 fbfb，并沿 fbfb 对原流 ff 进行增广。
-
返回步骤1。
关键操作在于步骤2------如何在分层图上高效求阻塞流。Dinic采用DFS实现：从 ss 出发沿分层图的边深度优先推进，每找到一条到达 tt 的路径即推送当前路径上的瓶颈容量，并更新各边剩余容量；当某条边的剩余容量归零，则将其从分层图中剔除（在DFS回溯时剪枝）；当 ss 的所有出边均被阻塞，阻塞流即构造完成。
三、复杂度分析：为什么Dinic更快
Dinic算法的外层循环（重构分层图）至多执行 O(∣V∣)O(∣V∣) 次。原因在于每次求得阻塞流后，ss 到 tt 在剩余网络中的最短距离严格增加。证明思路：阻塞流的性质保证了在当前分层图中 ss 到 tt 不再连通，而分层图保留了所有层次递增的边，因此任何新的增广路径必定涉及至少一条连接非相邻层的边，意味着距离至少增加1。距离上界为 ∣V∣−1∣V∣−1，故分层图重构次数不超过 ∣V∣∣V∣。
在每层分层图内部，DFS寻找阻塞流的总代价与所有被遍历的边数成正比。每条边在一次分层图中至多被"饱和"一次（剩余容量降为零而被移除），因此DFS的总代价为 O(∣V∣⋅∣E∣)O(∣V∣⋅∣E∣)。
综合两阶段，Dinic算法的总时间复杂度为 O(∣V∣2⋅∣E∣)O(∣V∣2⋅∣E∣)。与Edmonds-Karp的 O(∣V∣⋅∣E∣2)O(∣V∣⋅∣E∣2) 相比，在稠密图（∣E∣=Θ(∣V∣2)∣E∣=Θ(∣V∣2)）中两者同为 O(∣V∣5)O(∣V∣5)，但在稀疏图（∣E∣=O(∣V∣)∣E∣=O(∣V∣)）中Dinic为 O(∣V∣3)O(∣V∣3) 而Edmonds-Karp为 O(∣V∣4)O(∣V∣4)，优势显著。
事实上，Dinic算法在特定图类上的实际表现远优于理论最坏界。对于单位容量网络（所有边容量为1），其复杂度可进一步降至 O(min(∣V∣2/3,∣E∣1/2)⋅∣E∣)O(min(∣V∣2/3,∣E∣1/2)⋅∣E∣)。这也是Dinic在算法竞赛中广受欢迎的原因------理论优良且实际极快。
四、各变种复杂度对比与适用场景
将最大流算法的几个经典变种并列对比：
| 算法 | 时间复杂度 | 特点 |
|--------------------|------------------------|------------|-----------------------------|-------------|
| Ford-Fulkerson（通用） | O( | E | \\cdot \\vert f\^\*\\vert) | 伪多项式，依赖容量数值 |
| Edmonds-Karp | O(∣V∣⋅∣E∣2)O(∣V∣⋅∣E∣2) | 强多项式，实现简单 |
| Dinic | O(∣V∣2⋅∣E∣)O(∣V∣2⋅∣E∣) | 稀疏图极快，竞赛首选 |
| Push-Relabel | O(∣V∣3)O(∣V∣3) | 理论最优之一，常数大 |
在工程实践中，Edmonds-Karp因其实现简单且行为可预测，适合原型验证和教学场景。Dinic在绝大多数实际问题中运行极快，是标准选择。Push-Relabel（预流推进）算法具有理论最优的 O(∣V∣3)O(∣V∣3) 上界，但实现复杂、常数因子较大，通常仅在极端稠密图或追求理论保证时采用。
更精细的改进仍在持续涌现。动态树数据结构可将Dinic的复杂度降至 O(∣V∣⋅∣E∣⋅log∣V∣)O(∣V∣⋅∣E∣⋅log∣V∣)；近年来基于电气网络流和拉普拉斯矩阵求解器的近乎线性时间算法在理论上取得了突破，但这些成果距离实际部署仍有距离。
五、理论延伸与后续
最大流算法的发展历程体现了算法研究中一个反复出现的主题：通用框架给出正确性保障，策略选择决定效率边界。从Ford-Fulkerson的"任意选"到Edmonds-Karp的"选最短"，再到Dinic的"一次选一批"，每次优化都建立在对问题结构的更深理解之上。
掌握了最大流的理论与算法后，下一篇我们将考察网络流理论的一个直接而重要的应用------二分图匹配。最大匹配如何归约为最大流，匈牙利算法如何在二分图上做到比通用最大流更高效，将是下一篇的核心内容。