网络最大流问题是特殊的组合优化以及线性规划问题,其在很多领域都存在着广泛的应用,例如物流行业的货物运输、快递企业的站点选址、社交网络的信息分析等,都可以转化为网络最大流问题。在如今大数据时代背景下,虽然网络最大流问题已有几十年的发展历史,但经典的算法很难满足大规模网络的计算要求。于是,对最大流问题的进一步深入钻研具备重大的实际价值。本文对网络最大流问题的经典算法进行了改进,主要成果如下:1、给出基于余网络的最短增广链算法,将余网络与剩余网络进行比较,发现余网络的构造比剩余网络的简单。通过减弱对最短增广链算法的约束,用余网络替换剩余网络,并且将余网络进行划分区域,使得算法的运行效率得以提高。通过分析实验数据可知:新算法与最短增广链算法求解的最大流流值一致,且比经典的最短增广链算法运行效率更高。2、通过分析容量网络图,提出基于分层剩余网络的最短增广链改进算法,首先删除容量网络中不能通向终点的弧,来简化容量网络;其次对分层剩余网络中删除的饱和弧,相应的在原网络中删除该弧,降低构建剩余网络和分层剩余网络的复杂性,于是使算法的运行效率得以进一步的提升。实验结果显示,改进算法能够得到最大流的精确解,并且较最短增广链算法降低了运行时间。3、指出Ford-Fulkerson算法存在的不足之处,基于宽度优先搜索与修复增广链算法给出基于宽度优先的网络最大流的改进算法。对新算法在MATLAB上实施仿真,仿真结果展示出新算法的时间效率高于Ford-Fulkerson算法。