第7章_随机化算法概论.pptVIP

* 欢迎辞 * 第7章 随机化算法 * 学习要点 理解产生伪随机数的算法 掌握数值随机化算法的设计思想 掌握舍伍德算法的设计思想 掌握拉斯维加斯算法的设计思想 掌握蒙特卡罗算法的设计思想 * 引言 前面几章所讨论的分治、动态规划、贪心法、回溯和分支限界等算法的每一计算步骤都是确定的，本章所讨论的概率算法允许执行过程中随机选择下一计算步骤。 在多数情况下，当算法在执行过程中面临一个选择时，随机性选择常比最优选择省时，因此概率算法可在很大程度上降低算法复杂性。 概率算法的一个基本特征是对所求解问题的同一实例用同一概率算法求解两次可能得到完全不同的效果(所需时间或计算结果)。 * 引言 本章将要介绍的概率算法包括： 数值随机化算法 求解数值问题的近似解，精度随计算时间增加而不断提高。 舍伍德算法 消除算法最坏情况行为与特定实例之间的关联性，并不提高平均性能，也不是刻意避免算法的最坏情况行为。 拉斯维加斯算法 求解问题的正确解，但可能找不到解。 蒙特卡罗算法 求解问题的准确解，但这个解未必正确，且一般情况下无法有效判定正确性。 * 随机化算法概述 一个随机化算法（randomized algorithm）是指需要利用随机数发生器的算法，算法执行的某些选择依赖于随机数发生器所产生的随机数。 * 随机化算法有时也称概率算法（probabilistic algorithm），但也有人对两者这样区分： 如果取得结果的途径是随机的，则称为随机算法，如拉斯维加斯算法；而如果取得的解是否正确存在随机性，称为概率算法，如蒙特卡罗算法。 本书中统一称为随机化算法。 随机化算法 * 当算法执行过程中面临选择时，概率算法通常比最优选择算法省时。 对所求问题的同一实例用同一概率算法求解两次，两次求解所需的时间甚至所得的结果可能有相当大的差别。 设计思想简单，易于实现。 随机化算法的特点 * 数值随机算法 A 舍伍德算法 B 蒙特卡罗算法 D 拉斯维加斯算法 C 随机算法分类 * 数值随机算法（numerical randomized algorithm）用于求数值问题的近似解。 数值随机算法 * 总能求得问题的正确解。当一个确定性算法在最坏情况下的计算复杂度与其在平均情况下的计算复杂度两者相差较大时，可以在这个确定算法中引入随机性将它改造成一个舍伍德算法，用来消除或减少问题的不同实例之间在计算时间上的差别。舍伍德算法的精髓不是避免算法的最坏情况行为，而是设法消除这种最坏行为与特定实例之间的关联性。 舍伍德算法 * 求得的解总是正确的，但有时拉斯维加斯算法可能始终找不到解。一般情况下，求得正确解的概率随计算时间的增加而增大。因此，为了减少求解失败的概率，可以使用一个拉斯维加斯算法对同一实例，重复多次执行该算法。 拉斯维加斯算法 * 该法用于求问题的准确解(或者说是精确解而不是近似解)，但不保证所求得的解是正确的，也就是说，蒙特卡罗算法求得的解有时是错误的。不过，由于可以设法控制这类算法得到错误解的概率，并因它的简单高效，是很有价值的一类随机算法。 蒙特卡罗算法 * 一般情况下，蒙特卡罗算法求得正确解的概率随计算时间的增加而增大。但无论如何不能保证解的正确性，而且通常无法有效地判断所求得的解究竟是否正确，这是蒙特卡罗算法的缺陷。 蒙特卡罗算法 * 随机数 随机数在随机化算法设计中扮演着十分重要的角色。 在现实计算机上无法产生真正的随机数，因此在随机化算法中使用的随机数都是一定程度上随机的，即伪随机数。 * 用随机投点法计算?值 设有一半径为r的圆及其外切四边形。向该正方形随机地投掷n个点。设落入圆内的点数为k。由于所投入的点在正方形上均匀分布，因而所投入的点落入圆内的概率为: 所以当n足够大时，k与n之比就 逼近这一概率，从而 * 计算定积分 设f(x)是[0，1]上的连续函数，且0?f(x)?1。 需要计算的积分为 ,积分I等于图中的绿色面积G。 * 解非线性方程组 求解下面的非线性方程组 其中，x1,x2,…,xn是实变量，fi是未知量x1,x2,…,xn的非线性实函数。 要求确定上述方程组在指定求根范围内的一组解 。 * 这两种算法的核心都在于选择合适的划分基准。舍伍德算法随机地选择一个数组元素作为划分基准。 线性时间选择算法 No.1 快速排序算法 No.2 舍伍德(Sherwood)算法 * 舍伍德(Sherwood)算法 有时也会遇到这样的情况，即所给的确定性算法无法直接改