概率和随机算法 Introduction To Algorithms课件.pptVIP

* §5.3 On-line的雇佣问题（续） 为保证算法成功地选到ith个面试者是最优者须满足： 最优者的位置确实为i ——事件Bi 位置k+1 ≤ j ≤ i-1上的申请者未被选中——事件Oi （注意，位置j上申请者虽然不是最优者，但亦可能选中；位置i是最优者，但不一定能选中） Score(j)bestscore，即Score(j)M(k), k+1 ≤ j ≤ i-1 事件Bi只取决于位置i上的得分值是否大于位置1到i-1上的申请者分值； 事件Oi只取决于位置1到i-1上申请者分值的相对次序 * §5.3 On-line的雇佣问题（续） * §5.3 On-line的雇佣问题（续） * §5.3 On-line的雇佣问题（续） Ex 5.3-6 * * * * * * * * * * * * * * * * * * * * * * * Thomas H. Cormen 等著 The MIT Press Introduction To Algorithms算法导论 * Chapter 5. 概率分析和随机算法 * §5.1 雇佣问题 问题：通过中介公司推荐面试者 Interview —— 成本小，付少量费用给中介公司 Hire —— 成本大，付较多费用给中介公司，解雇现有雇员 估计所花成本？ 伪码： * §5.1 雇佣问题 伪码： * §5.1 雇佣问题（续） 成本分析 面试成本Ci ，雇佣成本Ch 设有m个人被雇佣，总成本O(nCi + mCh) 成本对固定的n个面试者，采用不同次序输入，其结果不同 最坏情况：面试者按质量的递增序参与测试，总成本O(nCi+nCh) 分析期望成本更重要 * §5.1 雇佣问题（续） 概率分析 前提：已知输入的分布情况，否则不能进行概率分析 例：对雇佣问题 假定申请者按随机序参与测试 任意两个申请者之间的质量是可比较的，即所有申请者的质量满足全序(total order) rank(i)-----申请者i的质量等级 1 ≤ i ≤ n 表 { rank(1), rank(2), …, rank(n) } 是 { 1, 2, …, n }的一个排列 申请者按随机序参与面试，等价于rank表是一个均匀随机排列 即：所有n！个可能的排列中的每一个是等概率出现的 * §5.1 雇佣问题（续） 随机算法 当输入分布未知时，可以使用随机化工具设计随机算法，使之可用概率分析其时间或成本 对雇佣问题，可让中介机构将n个候选者名单事先送来，随机选择面试者。 随机算法的特点： 算法的行为不仅取决于输入，也依赖于随机数发生器产生的值 Random（a, b）——产生a到b中某个值。（实用中使用语言提供的伪随机数发生器） * §5.1 雇佣问题（续） 雇佣问题的概率分析 * §5.2 随机算法 强迫输入分布是随机的均匀分布 概率分析与随机算法的区别 雇佣问题算法是确定的，其期望的成本与特殊实例不符 设{ rank(1), rank(2), …, rank(n) }的实例为： A1={1, 2, …, 9, 10} //有10次雇佣操作，10人被雇佣 A2={10, 9, …, 2, 1} //只有rank值为10者被雇佣 A3={5, 2, 1, 8, 4, 7, 10, 9, 3, 6} //有三人被雇佣 但对给定的输入实例，被雇佣者及雇佣人数是确定的 不依赖于同一个实例的不同次运行，给定输入实例，多次运行结果相同 * §5.2 随机算法（续） 随机算法 对给定输入，算法的多次运行，其结果不是唯一的。因此，没有哪个特殊的输入实例一定会导致最坏情况。只有当伪随机数发生器产生了最不幸的排列才会导致最坏情况（例彩票） * §5.2 随机算法（续） RandomizedHireAssistant (n) { 随机枚举候选者列表； best?0; for i? 1 to n do { interview candidate i; if (i 优于 best) { best ? i; hire i; }//endif }//endfor } // 期望的hire成本O(C