解决思路
基本原理
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且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。
5)到最后，X端每个点至少有一条线连着，Y端每个点有一条线连着，说明最后补充完的相等子图一定有完备匹配。（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。）
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}。
改进
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(n^4)——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(n^2)。实际上KM算法的复杂度是可以做到O(n^3)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；
C代码
KM算法和最大匹配（匈牙利算法）
2010.7.18
匈牙利算法的分析与运用：
匈牙利算法的精髓在于USED哈希数组的使用，下面是匈牙利算法的主要模块：
在原程序进行调用是也就是简简单单的一句话：
for i:=1 to n do begin fillchar(used,sizeof(used),0); if find(i) then inc(all); end;
注意
每一次找匹配时USED都是清0的，这是为了记录什么可以找，什么不可以找，说白了，这个模块就是一个递归的过程，USED的应用就是为了限制递归过程中的寻找范围，从而达到“不好则换，换则最好”，这里的最好是“新换”中最好的。
匈牙利算法解题是极为简单的，但是图论的难并不是难在解答，而是建图的过程，也难怪会有牛曰：用匈牙利算法，建图是痛苦的，最后是快乐的。当然，我们这些◎#！◎◎也只能搞搞NOIP了，一般不会太难，所以此算法，极为好用。
KM算法：
最大流的KM算法，又算的上算法世界中的一朵奇葩了。
解决最大流问题可以使用“网络流”，但较为繁琐，没有KM来得痛快，
下面是KM算法的核心模块：
可以见出，该模块与匈牙利算法极为相似，差别便是:
if not vy[y] and (lx[x]+ly[y]=w[x,y])判断语句了，这里涉及到KM算法的思想，不再赘述，请自行“摆渡”之。
但是在源程序的调用过程更是烦杂：
总结起来便是：有机会就上，没有机会创造机会也要上！
