算法分析与设计里的概率算法概率算法.ppt

* * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * §1.6.3 矩阵乘法验证 设X=(0, 1, 1) XA=(11, 13, 15) (第2行+第3行) (XA)B=(76, 166, 236). (AB的第2行+第3行) XC=(76,164,136). (AB的第2行+第3行) ∵AB和C的第3行不等，即AB≠C ∴算法返回false，正确！ -考虑两种情况 若AB=C，无论X为何值，必有XAB=XC 若AB≠C，若AB与C的第i行不同，且Xi=0则出错！即判断AB=C，出错概率≤1/2；否则无论Xi为何值，不影响判定结果。 * * §1.6.3 矩阵乘法验证 偏真还是偏假？ 若算法返回false，若存在向量X使XAB≠XC = AB≠C，必正确。 若算法返回true， 偏假的，1/2-correct. * * §1.6.3 矩阵乘法验证 改进 RepeatGoodProduct( A, B, C, n, k) { for i←1 to k do //重复k次 if GoodProduct(A, B, C, n) = false then return false;//偏假的，有一次假即可返回 return true; } //此方法是偏假的(1-2-k)-correct的 当k=10，0.99-正确。 k=20，出错概率1/百万。 * * §1.6.3 矩阵乘法验证 若给出出错概率ε，则： GP(A, B, C, n, ε) { k ← ; return RepeatGoodProduct (A, B, C, n, k); } 时间： ∵计算XAB和XC需要3n2次数字乘，若k=20，则共需60n2次数字乘。当n很大时(n60)，它远远快与确定行算法。 * * §1.6.3 矩阵乘法验证 习题 PrintPrimes{ //打印1万以内的素数 print 2，3； n ←5； repeat if RepeatMillRab(n, ) then print n; n ←n+2; until n=10000; } 与确定性算法相比较，并给出100~10000以内错误的比例。 * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * §1.6 Monte Carlo算法 该算法是一致的和27/32-correct的(约84%) pf: 相容性（一致性）易证。 ∵t、u、v正确的概率为75%=3/4=p(∵MC是一致的，∴ t、u、v均正确时t=u=v)却为概率为q=1/4. 1)若t、u、v均正确，则MC3返回的t正确，此时t=u=v. 此概率为：(3/4)3 2)若t、u、v恰有两个正确则MC3返回的 此概率为： 3)若t、u、v恰有一个正确，若v正确，则MC3返回正确答案，此概率为： * * §1.6 Monte Carlo算法 严格的说，当v正确，且错误的t和v不相等时，才有可能成功，因此MC3成功的概率为： 多运行2次（共3次） Theorem：设ε+δ0.5 设MC(x)是一个一致的(0.5+ε)-correct的蒙特卡洛算法 设 ，x是某一被解实例，若调用MC(x)至少 次，并返回