07 · 网络流

← 返回课程目录
本文目录

本文最后更新于 2026年11月5日 晚上

北京大学信息科学技术学院
算法设计与分析(2026春)的课程笔记

第七章:网络流

终于要尝试更新网络流了,这一章的ppt可谓是抽象中的抽象,本身定义多多,算法也复杂无比,第一次看时完全懵住,希望今晚我能尽量把它整理清楚www

最大流问题

网络流及其性质

ppt上一开始便是给出形式化抽象定义,让人一头雾水
我们先看生活中的一个例子,考虑A地到B地的公路网络,中间存在若干个收费站和岔路口,每段路都有限定的车流量,除AB两地外,每一个中间点都不允许滞留,也不允许新车辆加入,所以流入等于流出,这便是一个典型的网络流。
电网电流、供水水流、金融现金流本质也类似

我们现在来给出抽象定义:
设有向连通图N=<V,E>N=<V,E>,n=∣V∣,m=∣E∣n=|V|,m=|E|,每条边<i,j><i,j>的容量为非负实数c(i,j)c(i,j),NN有两个特殊顶点s,ts,t,ss称作发点或源,tt称作收点或汇,其余顶点为中间点
此时我们就称NN为容量网络,记作N=<V,E,c,s,t>N=<V,E,c,s,t>
记f:E→R∗f:E \rightarrow R^{\ast},其中R∗R^{\ast}为非负实数集,若ff满足:

  • ∀<i,j>∈E,f(i,j)≤c(i,j)\forall <i,j> \in E,f(i,j) \le c(i,j) 容量限制
  • ∀i∈V−[s,t],Σ<j,i>∈Ef(j,i)=Σ<i,j>∈Ef(i,j)\forall i \in V-[s,t],\Sigma_{<j,i>\in E}f(j,i)=\Sigma_{<i,j>\in E}f(i,j) 平衡条件,流入等于流出

我们就称ff为NN上的一个可行流,记ss点净流出量为ff流量,记作v(f)v(f)
v(f)=Σ<s,j>∈Ef(s,j)−Σ<j,s>∈Ef(j,s)v(f)=\Sigma_{<s,j>\in E}f(s,j)-\Sigma_{<j,s>\in E}f(j,s)
显然流量也等于收点的净流入量,即
v(f)=Σ<j,t>∈Ef(j,t)−Σ<t,j>∈Ef(t,j)v(f)=\Sigma_{<j,t>\in E}f(j,t)-\Sigma_{<t,j>\in E}f(t,j)

既然有了许多种可行流,我们就将流量最大的称为最大流
于是给定容量网络的最大流问题可以转化为线性规划问题:
max v(f)max\ v(f)
s.t f(i,j)≤c(i,j), <i,j>∈Es.t\ f(i,j) \le c(i,j), \ <i,j> \in E 容量限制
Σ<j,i>∈Ef(j,i)−Σ<i,j>∈Ef(i,j)=0, i∈V−[s,t]\Sigma_{<j,i>\in E}f(j,i)-\Sigma_{<i,j>\in E}f(i,j)=0,\ i \in V-[s,t] 平衡条件
v(f)−Σ<s,j>∈Ef(s,j)+Σ<j,s>∈Ef(j,s)=0v(f)-\Sigma_{<s,j>\in E}f(s,j)+\Sigma_{<j,s>\in E}f(j,s)=0 流量定义
f(i,j)≥0, <i,j>∈Ef(i,j) \ge 0, \ <i,j> \in E
v(f)≥0v(f)\ge 0
下面是一个很容易理解的例子

由于最大流问题十分重要,线性规划效率不够高,研究人员开发了许多更有效的算法,下面我们通过了解最大流的性质探究之

定义:容量网络N=<V,E,c,s,t>N=<V,E,c,s,t>,A⊂V,s∈A,t∈AˉA \subset V,s \in A,t \in \bar{A}
称(A,Aˉ)=[<i,j>∣<i,j>∈E,i∈A,j∈Aˉ](A,\bar{A})=[<i,j>|<i,j> \in E,i \in A,j \in \bar{A}]为AA的割集
c(A,Aˉ)=Σ<i,j>∈(A,Aˉ)c(i,j)c(A,\bar{A})=\Sigma_{<i,j>\in (A,\bar{A})}c(i,j)为割集(A,Aˉ)(A,\bar{A})的容量
容量最小的割集就被称为最小割集
从直觉来看,NN的任何可行流都需要通过割集中的边从AA流向Aˉ\bar{A},因此任何可行流容量不会超过割集容量
证明如下,由于公式过多这里就直接插图片了

因此我们有:
∀N\forall N上可行流ff,v(f)≤c(A,Aˉ)v(f) \le c(A,\bar{A})
如果刚好取等,则刚好就是最大流和最小割集

FF算法

下面我们介绍Ford-Fulkerson算法
首先定义,在NN中:
流量等于容量的边为饱和边,流量小于容量的边为非饱和边
流量等于0的为零流边,大于0的为非零流边

不考虑边的方向,NN中从顶点ii到jj的一条边不重复的路径称为i-j链,方向从ii到jj
在链中,与链方向一致的边为前向边,不一致为后向边
如果所有前向边非饱和,后向边非零流,则称这条链为i-j增广链

那么我们大费周章弄出这个增广链,有何作用?
假设找到了PP为增广链,令修改量δ\delta为 所有前向边容量与流量之差 和 所有后向边流量的 最小值,显然δ>0\delta>0
于是我们就可以修改ff的值,令f′(i,j)=f'(i,j)=

  • f(i,j)+δ, <i,j>f(i,j)+ \delta, \ <i,j>为前向边
  • f(i,j)−δ, <i,j>f(i,j)- \delta, \ <i,j>为后向边
  • f(i,j)f(i,j),其余情况

不难证明此时的f′f'也是可行流,且v(f′)=v(f)+δv(f')=v(f)+\delta
所以若ff已经是最大流,就不存在 s-t 增广链
反过来也成立,我们来证明一下:

当然上面也证明出了(A,Aˉ)(A,\bar{A})为最小割集,于是有下述定理
最大流最小割定理:容量网络最大流的流量等于最小割集容量

接下来我们看FF算法,它的步骤通常如下:
从给定的初始可行流(通常取零流)开始,寻找一条关于当前可行流的 s-t 增广链P,然后按照上面的方法修改其流量,重复上述过程直至不存在 s-t 增广链

具体寻找 s-t 增广链时,从s开始搜索,逐个给顶点标号,直至t得到标号为止。如果顶点j得到标号,就说明已经找到s-j增广链,标号为(lj,δj)(l_j,\delta_j)
其中δj\delta_j类似前面的定义,为直到j为止链上 所有前向边容量与流量之差 和 所有后向边流量的 最小值
lj=il_j=i或−i-i,=i=i表示链为ii到jj且<i,j><i,j>为前向边,=−i=-i表示链为ii到jj且<j,i><j,i>为后向边

顶点分为三类:已标号已检查,已标号未检查,未标号
开始给ss标号(Δ,+∞)(\Delta,+ \infty),Δ\Delta表示发点,此时ss是已标号未检查,其余都是未标号
每一步取一个已标号未检查的顶点ii,对于所有顶点jj

  • 若<i,j>∈E<i,j> \in E且f(i,j)<c(i,j)f(i,j)<c(i,j),前向边情况,则jj标号(+i,δj)(+i,\delta_j),其中δj=min(δi,c(i,j)−f(i,j))\delta_j=min(\delta_i,c(i,j)-f(i,j))
  • 若<j,i>∈E<j,i> \in E且f(j,i)>0f(j,i)>0,后向边情况,则jj标号(−i,δj)(-i,\delta_j),其中δj=min(δi,f(j,i))\delta_j=min(\delta_i,f(j,i))

具体伪代码如下:

时间复杂度:假设所有容量和每一次的δ\delta均为正整数,记C=Σ<s,j>∈Ec(s,j)C=\Sigma_{<s,j>\in E}c(s,j),显然最大流量v∗≤Cv^{\ast} \le C
由于δ\delta为正整数,最多有CC个阶段,每个阶段标号和修改流量复杂度O(m)O(m)
故总时间复杂度为O(mC)O(mC)

Dinic算法

FF算法没有给出具体标号过程的细节顺序,这就给我们留下了很大的改进空间
Dinic算法给出了两点改进:

  • 每次求最短的(边数最少)的 s-t 增广链
  • 一次标号修改尽可能多条 s-t 增广链上的流量

还是容量网络N=<V,E,c,s,t>N=<V,E,c,s,t>,ff为NN可行流,我们定义ff的辅助网络N(f)=<V,E(f),ac,s,t>N(f)=<V,E(f),ac,s,t>,其中:
E+(f)=[<i,j>∣<i,j>∈E,f(i,j)<c(i,j)]E^{+}(f)=[<i,j>|<i,j> \in E,f(i,j)<c(i,j)]
E−(f)=[<j,i>∣<i,j>∈E,f(i,j)>0]E^{-}(f)=[<j,i>|<i,j> \in E,f(i,j)>0]
E(f)=E+(f)∩E−(f)E(f)=E^{+}(f)\cap E^{-}(f)
ac(i,j)=ac(i,j)=

  • c(i,j)−f(i,j), <i,j>∈E+(f)c(i,j)-f(i,j),\ <i,j>\in E^{+}(f)
  • f(j,i), <i,j>∈E−(f)f(j,i),\ <i,j>\in E^{-}(f)

ac为辅助容量,可以看出N(f)N(f)也是容量网络

由于我们约定了NN中任意两点最多只有一条边,因此N(f)N(f)中没有平行边
不难看出,NN中关于ff的 s-t 增广链即为N(f)N(f)中ss到tt的有向路径
引理:NN最大流量为v∗v^{\ast},则N(f)N(f)最大流量为v∗−v(f)v^{\ast}-v(f)

接下来我们从ss开始用BFS,按照与ss的距离d(i)d(i),把顶点划分为不相交的层
d(s)=0d(s)=0,ss为第0层,从ss到tt的最短路只可能从ss到1层、2层……以此类推直到tt
最短路径之外不可能出现从高层到低层的边,同一层顶点之间的边,除tt之外层数≥d(t)\ge d(t)的顶点
于是我们将这些边和顶点全部删除之后的网络称为分层辅助网络AN(f)=<V(f),AE(f),ac,s,t>AN(f)=<V(f),AE(f),ac,s,t>
V(f)=∪k=0dVk(f)V(f)=\cup_{k=0}^{d} V_k(f)
AE(f)=∪k=0d−1[<i,j>∣<i,j>∈E(f)∧i∈Vk(f),j∈Vk+1(f)]AE(f)=\cup_{k=0}^{d-1}[<i,j>|<i,j> \in E(f) \land i \in V_k(f),j \in V_{k+1}(f)]
Vk(f)=[i∈V∣d(i)=k], 0≤k≤d−1V_k(f)=[i \in V|d(i)=k], \ 0\le k \le d-1
Vd(f)=tV_d(f)=t
下面是一个例子:

为了一睹Dinic算法的真面目,我们还需要最后的几个定义:

  • 前向增广链:关于ff的没有后向边的增广链
  • 极大流:不存在前向增广链的可行流
    最大流一定是极大流,反之不一定
  • 中间点ii流通量th(i)th(i):以 ii 为终点的边的容量之和与以 ii 为始点的边的容量之和中较小者

现在万事俱备,我们终于可以介绍Dinic算法了!
关键就是要求AN(f)AN(f)的极大流

  • 在 AN(f)AN(f) 中找尽可能多的从 ss 到 tt 的最短路径并给出这些路径上的容量
  • 删去流通量为0的顶点及关联的边. 找到流通量最小的顶点kk, 从kk开始向后和向前安排流量 th(k)th(k), 直到 tt 和 ss 为止. 修改相关边的容量
  • 得到AN(f)AN(f)的极大流 gg,令f′=f+gf'=f+g,重复进行, 直到 ss 和 tt 不连通为止,此时的ff即为最大流

伪代码如下:

一些结论:

  • 每个阶段结束时,gg为AN(f)AN(f)极大流
  • 每个阶段AN(f+g)AN(f+g)的 s-t 距离大于前一个阶段AN(f)AN(f)的 s-t 距离
  • 最后得到的ff为最大流
    这是由于算法终止时AN(f)AN(f)中不存在 s-t 的路径,因此N(f)N(f)中也没有,则N(f)N(f)最大流量为v∗−v(f)v^{\ast}-v(f)为零流,故v(f)=v∗v(f)=v^{\ast},ff为最大流
  • 算法在O(n3)O(n^3)步内终止
    阶段数量≤n\le n
    每阶段工作量:
    • 构造AN(f)AN(f):O(m)O(m)
    • 计算流通量:O(m)O(m)
    • 找最小流通量顶点:最多nn次,O(n2)O(n^2)
    • 边操作:O(m)+O(n2)O(m)+O(n^2)
  • 如果对于简单容量网络(边容量为1,中间点入度为1或出度为1),时间可以优化到O(n0.5m)O(n^{0.5}m)

最小费用流

问题定义

在原有的容量网络N=<V,E,c,s,t>N=<V,E,c,s,t>中添加单位费用w:E→R∗w:E \rightarrow R^{\ast}
就变成了容量-费用网络,记作N=<V,E,c,w,s,t>N=<V,E,c,w,s,t>
记ff为NN上一个可行流,称w(f)=Σ<i,j>∈Ew(i,j)f(i,j)w(f)=\Sigma_{<i,j>\in E}w(i,j)f(i,j)为ff的费用
所有流量为v0v_0的可行流中,费用最小的称作流量v0v_0的最小费用流

具体算法

和最大流问题类似地,定义辅助网络N(f)=<V,E(f),ac,aw,s,t>N(f)=<V,E(f),ac,aw,s,t>
其中辅助费用aw(i,j)=aw(i,j)=

  • w(i,j), <i,j>∈E+(f)w(i,j), \ <i,j> \in E^{+}(f)
  • −w(j,i), <i,j>∈E−(f)-w(j,i), \ <i,j> \in E^{-}(f)

若gg为N(f)N(f)可行流,则有w(f+g)=w(f)+aw(g)w(f+g)=w(f)+aw(g)

下面对NN中任意 边不重复 的回路CC,定义hCh^{C}为CC上的圈流:

  • ∀<i,j>∈E(C),hC(i,j)=δ\forall <i,j> \in E( C ),h^{C}(i,j)=\delta
  • ∀<i,j>∈E−E(C),hC(i,j)=0\forall <i,j> \in E-E( C ),h^{C}(i,j)=0

其中δ>0\delta>0,为hCh^{C}的环流量

圈流有如下性质:

  • hCh^{C}为可行流, 且v(hC)=0v(h^{C})=0,w(hC)=δ⋅w(C)w(h^{C})=\delta \cdot w( C )
  • v(f+hC)=v(f)v(f+h^{C})=v(f),w(f+hC)=w(f)+δ⋅aw(C)w(f+h^{C})=w(f)+\delta \cdot aw( C )

下面是一个例子:

一定要认真看一下这个图,这将是前面所有抽象概念的集大成之作!
在图1中每条边标注的第一个数字(黑色)表示容量,每条边标注的第二个数字(蓝色)表示费用,故流量v0=3+5=8v_0=3+5=8,费用w(f)=5×3+5×3+3×3+3×1=42w(f)=5 \times 3+5\times3+3\times3+3\times1=42

图2中看上去就有点乱了,让我们回顾一下N(f)N(f)
例如由s到2,E+(f)E^{+}(f)容量为5−3=25-3=2,方向依旧正向,费用不变
E−(f)E^{-}(f)容量为33,方向变为反向,费用变为−3-3
然后图中橙色为回路C(1→2→t→1)C(1 \rightarrow 2 \rightarrow t \rightarrow 1)
由于都是正向边,w(C)=aw(C)=1+1−3=−1w( C )=aw( C )=1+1-3=-1
δ=3\delta=3(回路上所有边残余容量的最小值)
故w(hC)=aw(hC)=δ⋅w(C)=−3w(h^{C})=aw(h^{C})=\delta \cdot w( C )=-3

图3就是算法中的重要操作:更新流f1=f+hCf_1=f+h^{C},得到费用更低的可行流
对于CC,回路正向边流量+δ+\delta,回路反向边流量−δ-\delta
例如1−21-2容量+3+3,2−t2-t容量+3+3,1−t1-t容量−3-3
更新之后的费用w(f1)=5×3+3×3+3×1+2×3+6×1=39w(f_1)=5\times3+3\times3+3\times1+2\times3+6\times1=39,费用有效减少了

于是我们得到了一个求最小费用流的有效算法:

  • 首先求一个流量v0v_0可行流ff
  • 如果N(f)N(f)中存在回路CC,aw(C)<0aw (C )<0,那么就可以对ff加上hCh^{C}来更新
  • 重复进行直至N(f)N(f)中不存在aw(C)<0aw( C )<0的回路CC,此时ff即为最小费用流

如何求负回路

对于回路CC来说,aw(C)aw( C )本质上就是CC每边的费用加和
所以要找aw(C)<0aw( C )<0的回路CC,就是在有向带权图中寻找负回路
引理:图中任意两点间要么有最短路径,要么不存在路径   ⟺  \iff 图中没有负回路

由此,我们可以将负回路的存在问题转化为多源最短路径问题
于是梦回数算!下面就是Floyd算法回归的时刻了

记dk(i,j)d^{k}(i,j)为ii到jj经过号码不大于kk的最短路径长度
则类似dp,我们有递推式:
d(0)(i,j)=w(i,j),d(0)(i,i)=0d^{(0)}(i,j)=w(i,j),d^{(0)}(i,i)=0
d(k)(i,j)=min(d(k−1)(i,j),d(k−1)(i,k)+d(k−1)(k,j))d^{(k)}(i,j)=min(d^{(k-1)}(i,j),d^{(k-1)}(i,k)+d^{(k-1)}(k,j))
若存在ii使得d(n)(i,i)<0d^{(n)}(i,i)<0,则有负回路

为了记录路径,我们记h(k)(i,j)h^{(k)}(i,j)为ii到jj经过号码不大于kk的最短路径中ii的下一个顶点
则有h(0)(i,j)=h^{(0)}(i,j)=

  • j, <i,j>∈Ej,\ <i,j> \in E
  • 0, else0,\ else

h(k)(i,j)=h^{(k)}(i,j)=

  • h(k−1)(i,j), d(k−1)(i,j)≤d(k−1)(i,k)+d(k−1)(k,j)h^{(k-1)}(i,j), \ d^{(k-1)}(i,j)\le d^{(k-1)}(i,k)+d^{(k-1)}(k,j)
  • h(k−1)(i,k), elseh^{(k-1)}(i,k), \ else

当然,最短路径也有别的方法,比如从零流开始,每次用floyd(若存在负回路)或者ford算法找费用最小的 s-t增广链,增广直至流量达到v0v_0,这里就不再赘述了

网络流的应用

带需求的流通

给定流通图N=<V,E,c,s,t>N=<V,E,c,s,t>
非常烦人的是∀v∈V,∃dv\forall v \in V,\exists d_v为需求

  • 收点:dv>0d_v >0,表示vv对流有dvd_v的需求
  • 发点:dv<0d_v <0,表示vv对流有−dv-d_v的供给
  • 结点:既不是发点也不是收点,dv=0d_v=0
    所有容量和需求均为整数

问:是否存在可行流通,即存在函数f:E→R∗f:E \rightarrow R^{\ast},满足

  • 容量条件:∀e∈E,0≤f(e)≤ce\forall e \in E, 0 \le f(e) \le c_e
  • 需求条件:∀v∈V,fin(v)−fout(v)=dv\forall v \in V,f^{in}(v)-f^{out}(v)=d_v

从经济学的角度来说,由于没有外部因素,供需是平衡的。
因此有Σv:dv>0dv=Σv:dv<0−dv\Sigma_{v:d_v >0}d_v=\Sigma_{v:d_v <0}-d_v,我们记这个和为DD
于是可以用最大流进行建模,记所有发点的集合SS,收点集合TT
我们增加超结点s∗s^{\ast}和t∗t^{\ast},构建单发点单收点的容量网络G′G'
∀v∈S\forall v \in S,加边e=<s∗,v>,ce=−dve=<s^{\ast},v>,c_e=-d_v
∀v∈T\forall v \in T,加边e=<v,t∗>,ce=dve=<v,t^{\ast}>,c_e=d_v

具体算法:

  • 将GG转换为对应G′G'
  • 对G′G'用最大流算法找到s∗s^{\ast}-t∗t^{\ast}最大流ff
  • 若v(f)=Dv(f)=D,则GG存在需求dvd_v的可行流通,否则不存在

扩展:带下界的可行流通,∀e∈E,le≤f(e)≤ce\forall e \in E,l_e \le f(e) \le c_e,需求条件不变

运输问题

有mm个产地A1,A2,...,AmA_1,A_2,...,A_m,nn个销地B1,B2,...,BnB_1,B_2,...,B_n
AiA_i产量aia_i,BjB_j销量bjb_j,从AiA_i到BjB_j单位运费wijw_{ij}
我们假设产销平衡,Σi=1mai=Σj=1nbj\Sigma_{i=1}^{m}a_i=\Sigma_{j=1}^{n}b_j
求使总运费最少的运输方案

我们设运输方案为xx,即在Ai,BjA_i,B_j之间运输xijx_{ij}的货物
则有xij≥0x_{ij} \ge 0
Σj=1nxij=ai\Sigma_{j=1}^{n}x_{ij}=a_i
Σi=1mxij=bj\Sigma_{i=1}^{m}x_{ij}=b_j
总费用w(x)=Σi=1mΣj=1nwijxijw(x)=\Sigma_{i=1}^{m}\Sigma_{j=1}^{n}w_{ij}x_{ij}
我们要求使得w(x)w(x)最小的方案xx

建模时,依旧是添加s,ts,t,组成容量费用网络N=<V,E,c,w,s,t>N=<V,E,c,w,s,t>
如图所示

其中:

  • s−Ais-A_i的边,容量为aia_i,费用为00
  • Bi−tB_i-t的边,容量为bib_i,费用为00
  • Ai−BiA_i-B_i的边,容量为+∞+ \infty,费用为wijw_{ij}

于是总运费最少的运输方案就转化为求流量v0=Σi=1maiv_0=\Sigma_{i=1}^{m}a_i的最小费用流

图像分割

我们需要将图像的前景和背景分离,这就得对每个像素,标记其是属于前景AA还是背景BB
设VV为像素集合,用EE表示所有相邻像素对的集合,形成无向图G=<V,E>G=<V,E>
对像素ii,记它属于前景的可能性aia_i,属于背景的可能性bib_i
显然如果ai>bia_i>b_i,就将其标记为前景,否则就是背景
记集合AA为标记为前景的像素,BB为背景像素
如果像素ii的“邻居”都被标记为背景,我们就倾向于也将其标为背景,这样可以使标记更光滑
因此我们对于每组邻居(i,j)(i,j),定义惩罚pijp_{ij},惩罚他们标记不同
则图像分割问题就变成了最大化权值q(A,B)=q(A,B)=
Σi∈Aai+Σj∈Bbj−Σ(i,j)∈E且标记不同 pij\Sigma_{i \in A}a_i+\Sigma_{j \in B}b_j-\Sigma_{(i,j) \in E且标记不同} \ p_{ij}

我们记Q=Σi(ai+bi)Q=\Sigma_i (a_i+b_i),则q(A,B)=Q−q′(A,B)q(A,B)=Q-q'(A,B)
q′(A,B)=Σi∈Abi+Σj∈Baj−Σ(i,j)∈E且标记不同 pijq'(A,B)=\Sigma_{i \in A}b_i+\Sigma_{j \in B}a_j-\Sigma_{(i,j) \in E且标记不同} \ p_{ij}
由于QQ为定值,最大化q(A,B)q(A,B)等价于最小化q′(A,B)q'(A,B)

为什么要如此转化呢?下面我们建模
构造容量网络G′G',源点ss(前景),汇点tt(背景)
对于每个像素vv,连边(s,v),(t,v)(s,v),(t,v),容量分别为av,bva_v,b_v
对每条无向边(u,v)(u,v),将其转化为两条有向边<u,v>,<v,u><u,v>,<v,u>,容量均为puvp_{uv}
记A′=A∪sA'=A \cup s,B′=B∪tB'=B \cup t,由此我们可以计算割(A′,B′)(A',B')的容量

于是最大化q(A,B)q(A,B)等价于求最小割集(A′,B′)(A',B')
算法的时间复杂度为O(n3)O(n^3)

编者按:耗时两天也是终于整理完了网络流的笔记,不得不说这样复习一遍下来还是很有收获的,虽然抽象的Dinic算法完全没搞懂,但是辅助网络和应用部分总算是略知一二~今天正好是儿童节,那就奖励自己更新非常水的第十一章吧

网络流
https://yjyxfcy.github.io/2026/05/31/sf4/
作者
Yjy
发布于
2026年5月31日
更新于
2026年11月5日
许可协议