随机化在算法设计中的初步应用.pdfVIP

随机化在算法设计中的初步应用 南京金陵中学 刘昕 随机化在计算机算法设计中的应用是相当广泛的。就求解问题来看，一方面，它能够在 很短的计算时间内得到状态空间优劣性的大致分布情况；另一方面，避免了单纯的“顺序” 穷举（搜索）的盲目性，可以说具有一定的智能化的效果。 这里所讲的随机化并不是指某一种具体算法，而是一种细节实现方式，必须依附在具体 算法（例如贪心、穷举）上，才能发挥作用。 在信息学竞赛中随机化算法大致在两个方面有着比较重要的应用：一类是直观的几何问 题，这类问题使用随机化，往往是由于题目本身的多解性，以及概率分布上的某些特殊性质， 使得随机化能够很快地找到较优甚至最优的解；另一类是具有较大状态空间的搜索问题，这 类问题以 NP 类居多。而这两类的共同点都是：问题的解必须分布比较广泛。因为如果在庞 大的状态空间里面，只有一个点是目标解，那么从概率上来讲，使用随机化找到这个解几乎 是不可能的事情。 一、几何类 例 1：蒙特卡洛法 蒙特卡洛法适用于计算一些复杂的图形面积、体积等。具体的例子数不胜数，这里说明 一下它的原理。 一方面，虽然样本空间是无限的（当然了，具体实现的时候还是要受到精度的影响，并 不是真正的无限），但是由于试验的对称性，各种结果出现的概率仍然是相等的，因此有以 下定义： 设Ω为 n 维欧氏空间中的确定的集合，满足条件 0m(Ω)+∞.对Ω的任何可测子集 A， m (A ) 称 P (A ) 为事件 A 的几何概率。m(A)可理解为其度量值或者试验的次数，“可测子 m( ) Ω 集”是指其可以度量大小的，例如一个半平面就不是可测集合。 另一方面，概率具有平稳性，因此，试验次数接近∞时，根据试验结果计算出的答案也 趋向于准确值。 另外，从数学期望的角度也可以说明这一点： 设具有密度函数 p(x)的；连续型随机变量ξ（这里就是指所求的几何体），如果 +∞ +∞ x p x dx( ) +∞ E ( ) xp x (dx)ξ ∫ ，也就是说它是收敛的，则称 ∫ 为ξ的数学期望。 −∞ −∞ 而 或 刚好便是所求几何体的长度（面积）。 xp x dx( ) xp x y( dxdy, ) ∫ ∫∫ 当然，毕竟对于一个算法是有时间上的限制的。而且虽然 P(A)是收敛的，但是其收敛的 速度往往不尽人意，例如，用随机化算法求圆周率（坐标值在[-1..1]上随机选取，考察其 是否落在单位圆内），往往需要很长的时间，也才算到 3.14这种精度，因此，一般情况，如 果题目要求的有效数字达到 7 位、8位以上，蒙特卡洛法往往以失败而告终。毕竟，这不是 解决问题的完美方法。 例 2：Triangle Partition 假设现在给你一个三角形和一些分布的三角形内部的点。你的任务是把这些点均分成三 份。 三角形的三个点设为A,B和C。其余有n个点，P ,P ,…,P ，它们都在三角形ABC内部。你 1 2 n 要找到一个点Q，使得在三角形QBC,QCA和QAB这三个三角形中，每个三角形覆盖了至少n/3 个点。公共边界上的点将被认为是同时属于两个三角形内部的。如果Q点本身就落在一个点 P 上，那么点P 将被认为是三个三角形所共有。 i i 可以证明这样的 Q 点是一定存在的。下面的图有助于让你理解题意： 首先讨论这个问题能够用随机化算法解决的理论可行性。 假设我们已经有了一个解，它能够准确地将点均分成 3 份，那么在不是极坏的情况下， 将这个点向四周稍微挪动一点，也应当是符合题意要求的。也就是说，这个