第7章-随机算法v1.1.pptxVIP

第7章 随机化算法学习要点算法设计与分析理解产生伪随机数的方法掌握数值随机化算法的设计思想 掌握拉斯维加斯算法的设计思想掌握舍伍德算法的设计思想掌握蒙特卡罗算法的设计思想随机化算法的特点当算法执行过程中面临选择时，随机化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随机化算法求解两次，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。算法设计与分析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。线性同余法是产生伪随机数的最常用的方法。由线性同余法产生的随机序列a0,a1,…,an满足其中b?0，c?0，d?m。d称为该随机序列的种子。如何选取该方法中的常数b、c和m直接关系到所产生的随机序列的随机性能。这是随机性理论研究的内容，已超出本书讨论的范围。从直观上看，m应取得充分大，因此可取m为机器大数，另外应取gcd(m,b)=1，因此可取b为一素数。算法设计与分析BA舍伍德算法数值随机化算法CD 拉斯维加斯算法蒙特卡罗算法随机化算法的分类算法设计与分析数值随机化算法 算法设计与分析用随机投点法计算?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double Darts(int n){ // 用随机投点法计算?值 static RandomNumber dart; int k=0; for (int i=1;i =n;i++) { double x=dart.fRandom(); double y=dart.fRandom(); if ((x*x+y*y)=1) k++; } return 4*k/double(n);}算法设计与分析y = f(x)G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等于图中的面积G。在图所示单位正方形内均匀地作投点试验，则随机点落在曲线下面的概率为假设向单位正方形内随机地投入n个点(xi,yi)。如果有m个点落入G内，则随机点落入G内的概率算法设计与分析y = f(x)G计算连续函数积分的算法double Darts (int n) { double x, y; int k = 0; for (int i=1; i=n; i++) { x=Random(); /*随机产生一个(0,1)区间的数*/ y=Random(); if (y=f(x)) k++; } return k/double(n); }算法设计与分析随机抽样 在n个元素的集合中随机抽取m(0m≤n)个无重复的元素。为简单起见，假定所有元素的值都位于1至n之间。 算法设计与分析随机抽样我们采用下面的方法进行选择： 1、首先将n个元素都标记为“未选择”； 2、重复下列步骤直到抽取了m个不同的元素 ⑴产生一个1至n间的随机数r； ⑵如果r标记为“未选择”，将它标记为“已选择”，并加入到抽样中。 算法设计与分析随机抽样算法int RandomSampling(S[n], A[m], m) {/* 本函数在有n个元素的数组S中随机抽取m个不同的元素存放到数组A中 */ mark[1..n] = False; count=0; while(count m) { r = random(1, n); if (mark[r] == False) { count++; A[count]=S[r]; mark[r]=True; }}}算法设计与分析随机抽样算法评估算法空间复杂度为O(n) ，时间复杂度也为O(n)。需要一个长度为n的数组标记每个整数。如果n很大而m很小，这种空间上的浪费是比较大的。要解决这个问题需要设计一个比较好的杂凑函数。当抽取的元素逐步增加时，要随机抽取下个无重复的元素所需要的时间也越来越长。 当m=n/2时，选择n-m个元素，抛弃掉它们并将剩余元素作为抽样。 算法设计与分析舍伍德算法 舍伍德算法总能求得问题的一个解，且所求得解的结果总是正确的。其主要目的是消除算法所需计算时间对输入实例的依赖。当一个确定型算法最坏情况下的计算复杂性与其平均情形下的复杂度有较大差别时，可以在这个确定型算法中引入随机性将它改造成一个舍伍德算法，消除或减少问题的好坏实例间的这种差别。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情形行为与特定实例之间的关联性。 算法设计与分析注：这显然不能排除存在x∈Xn使得 tA(x)tA(n) 的可能性。舍伍德(Sherwood)算法