最大流算法在现实生活中有着广泛的应用，从数据挖掘到图像处理，都有应用。现实生活中很多事物看起来是不相干的，而实际上只要通过数学建模，其实很多问题本质上都是一样的。
这里举的一些例子很多都是没办法第一眼就看出来，首先要理解最大流算法的模型，其次就是将现实生活中的问题转换成最大流问题从而进行求解。
大学即将毕业了，很多童鞋要去找工作。现在有5个童鞋ABCDE，他们分别投了很多简历，录取情况如下：
阿里录取了A B C
腾讯录取了A B D E
百度录取了C
网易录取了A C
新浪录取了D E
那么如何分配才能让所有的童鞋都有工作呢？
这就是二分图匹配问题。可以将公司和童鞋看成图论中的顶点，而录取情况看成边。这样，上述这个问题就变成了图论的问题。
那这个问题和最大流有什么联系呢？为了解决这个问题，需要增加两个辅助顶点，如下图所示。
这样，为了让最多的同学得到工作，实际上就是让这个网络的流量达到最大。因此，这个问题本质上就是最大流问题。最后求得的解是这样的。
问题描述：有多个球队之间进行棒球赛，使用的是循环赛制。每个球队目前的比赛状况如下表所示。问哪些球队有可能取得冠军？
这个问题换一种角度解释就是哪些球队已经不可能获得冠军。
解决这个问题时，将团队和团队之间的比赛看成图论中的顶点，场次作为边的容量。这样，这个问题就转换成最大流问题了。
最大流问题可以说目前还没有找到一个性能非常好的算法。
下表展示了与最大流问题相关的算法名称以及复杂度。
从图中可以看出目前性能最好的算法复杂度是E^2/logE，还有很多的提升空间。理论上最小的复杂度是E。
上表展示的是最坏情况下的复杂度。现实生活中往往需要平均复杂度比较低的算法。实际应用中用的比较多的是Push-relabel算法，这种算法的复杂度是E sqrtE，具体实现方法参见wiki：http://en.wikipedia.org/wiki/Push%E2%80%93relabel_maximum_flow_algorithm
原文：http://blog.csdn.net/caipeichao2/article/details/35306659
