匈牙利算法概述
匈牙利算法（Hungarian algorithm），又称 Kuhn‑Munkres 算法或匈牙利方法，是一种在多项式时间内求解二分图最大匹配或加权二分图最优指派（assignment）问题的组合优化算法。它最初由匈牙利数学家 Harold Kuhn 于 1955 年提出，随后 James Munkres 在 1957 年给出完整的多项式时间证明，故常被称为 Kuhn‑Munkres 算法。该算法的理论基础可以追溯到 Kőnig 与 Egerváry 的工作，后者在 20 世纪初已经研究了二分图匹配的对偶性质。
1. 解决的问题
| 场景 | 形式 | 目标 |
|---|---|---|
| 指派（Assignment）问题 | 给定一个 n×n 的非负代价矩阵 C，要求在每行每列各选取一个元素，使总代价最小（或总收益最大） | 最小化总成本或最大化总收益 |
| 二分图最大匹配 | 两侧点集 U、V，边表示可匹配关系（可带权重） | 找到匹配边数最多的匹配（或权重最大的匹配） |
该算法能够把上述离散优化问题转化为矩阵操作，通过一系列行/列减法和零元素覆盖来逐步逼近最优解。
2. 基本思路与核心步骤
匈牙利算法的核心是在代价矩阵上构造零元素的“覆盖线”，并通过调整矩阵继续产生新的零，直至可以用 n 条覆盖线覆盖所有零，从而得到最优指派。常见的四步流程如下（以最小化为例）：
- 行减法：对每一行减去该行的最小元素，使每行至少出现一个零。
- 列减法：对每一列减去该列的最小元素，使每列也至少出现一个零。
- 覆盖零元素：用最少的横线和竖线覆盖矩阵中的所有零。若覆盖线数等于 n，则已得到最优匹配，算法结束。
- 矩阵调整：若覆盖线数 < n，找到未被覆盖的最小元素 k，将 k 从所有未覆盖元素中减去，同时把 k 加到所有被两条线交叉覆盖的元素上。返回第 3 步继续迭代。
通过上述迭代，零的分布会逐步满足“每行每列恰好一个零”的条件，从而直接得到最优指派。
3. 关键概念
- 增广路径（augmenting path）：在二分图匹配的解释中，算法等价于不断寻找交替路径来增加匹配边数。
- 对偶变量（dual variables）：在加权版本（Kuhn‑Munkres）中，算法维护左、右顶点的对偶势 φ、ψ，使得每条匹配边满足 c(i,j) = φ_i + ψ_j，并通过松弛条件寻找增广路径。
- 完美匹配：当图中每个顶点都被匹配时称为完美匹配；匈牙利算法在方阵情况下总能得到完美匹配（若存在）。
4. 时间复杂度与实现
- 原始版本的时间复杂度为 O(n⁴)，后经改进（如使用 BFS/DFS 寻找增广路径、优化矩阵操作）可降至 O(n³)。
- 在实际编程中，常用的实现包括：
- DFS/递归增广路径（适用于无权匹配）
- 矩阵化实现（适用于加权指派），如 Python
scipy.optimize.linear_sum_assignment已封装了匈牙利算法的核心步骤。
5. 典型应用场景
| 领域 | 示例 |
|---|---|
| 任务分配 | 将工人分配到机器或工作岗位，使总成本最小 |
| 图像目标跟踪 | 在连续帧中匹配检测到的目标，利用增广路径实现一对一对应 |
| 资源调度 | 物流、生产线排程、航空航班机组安排等 |
| 网络匹配 | 匹配用户与服务器、广告投放中的点击分配 |
| 教育与科研 | 课程安排、实验室设备分配、科研项目合作匹配 |
6. 变种与扩展
- Kuhn‑Munkres（加权）：针对最大权匹配或最小成本匹配的对偶形式，使用对偶标记与增广树实现。
- 不平衡指派：当左、右集合大小不等时，可在矩阵中加入虚拟节点（成本设为极大或零）转化为方阵再求解。
- 在线匹配：任务按顺序到达，算法在每一步做出近似最优决策，常用 Ranking 或 随机化 变体。
7. 小结
匈牙利算法是一套基于矩阵变换与增广路径的系统化求解框架，能够在多项式时间内得到二分图匹配或指派问题的全局最优解。它的理论根基（对偶性、Hall 定理）与实际实现（行列减法、零覆盖、矩阵调整）相结合，使其在工业调度、计算机视觉、运筹学等众多领域得到广泛应用。随着计算平台的提升，现代实现（如 SciPy、C++ STL）已将其封装为即插即用的库函数，进一步降低了使用门槛。
声明：文章均为AI生成，请谨慎辨别信息的真伪和可靠性！