7.5蒙特卡罗(MonteCarlo)算法-四川农业大学.ppt

本章主要内容 理解产生伪随机数的算法 掌握数值概率算法的设计思想 掌握蒙特卡罗算法的设计思想 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 引言 分治、动态规划、贪心法、回溯和分支限界 每一计算步骤都是确定的； 结果也是确定的（每次计算结果都一样）。 在多数情况下 随机性选择常比最优选择省时； 概率算法可在很大程度上降低算法复杂性。 基本特征 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 数值概率算法 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 消除算法最坏情形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。 引言 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； 一般情况下无法有效判定正确性。 7.1 随机数 随机数 在概率算法设计中扮演着十分重要的角色。 现实计算机无法产生真随机数，在概率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。 其周期特别长，一定的范围里可看成是随机数 由线性同余法产生的随机序列a0, a1, …, an满足 7.1 随机数 其中 b≥0，c ≥ 0，d ≥ m d称为该随机序列的种子。 关于b、c、m 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。 从直观上看，m应取得充分大（周期越长），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。 7.1 随机数 0 59 53 66 84 70 8 11 0 28 90 28 56 47 79 65 58 66 72 48 21 24 88 38 68 93 16 58 13 59 83 22 25 87 64 46 79 13 91 2 8 56 82 35 49 31 92 14 71 32 88 56 51 47 91 82 50 82 28 4 11 2 71 56 7 52 79 31 49 85 27 86 86 13 43 22 3 98 21 82 89 8 95 25 41 7 43 91 22 23 80 45 96 52 86 92 18 24 71 10 7.2 数值随机化算法 十年前 Delphi写的计算圆周率模拟软件 7.2 数值随机化算法 7.2.1 用随机投点法计算π值 设有一半径为r的圆及其外切四边形。 向正方形随机地投掷n个点，落入圆内的点数为k。 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 当n足够大 7.2 数值随机化算法 7.2 数值随机化算法 7.2.2 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 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 7.2 数值随机化算法 7.2.3 解非线性方程组 求解下面的非线性方程组 构造目标函数Φ(x)=Σfi2(x)，求极小值 在指定求根区域D内 选随机点x0作为随机搜索出发点。 假设第j步搜索得到的随机点为xj。在第j+1步，计算下一步的随机搜索增量Δxj。从当前点xj依Δxj得到第j+1步的随机搜索点xj+1=xj+ Δxj 。 当xε时，返回近似解。否则进行下一步随机搜索。 7.3 舍伍德(Sherwood)算法 基本思想 设A是一个确定性算法 输入实例为x时所需计算时间记为tA(x)。设Xn是算法A的输入规模为n的实例的全体，输入规模为n时，算法A所需的平均时间为 不能排除存在x∈Xn使 希望获得一个概率算法B，使得对问题的输入规模为n的每一个实例均有 当s(n)与tA(n)相比可忽略时，获得很好的平均性能。 7.3 舍伍德(Sherwood)算法 快速排序 分解 以aq为基准元素将ap:r划分成3段ap:q-1、aq和aq+1:r，使得ap:q-1中任何元素小于aq ，aq+1:r中任何元素大于aq ； 下标q在划分过程中确定。 递归求解 递归调用快速排序算法对ap:q-1和aq+1:r进行排序； 合并 对ap:q-1和aq+1:r的排序是就地进行的，ap:q-1和aq+1:r排好序后不需要执行任何计算，ap:r就已排好序。 7.3 舍伍德(Sherwood)算法 分解/划分算法描述： templateclass Type//以确定基准元素a[p]对子数组a[p:r]划分 int Partition (Type a[], int p, in