计算理论与算法分析设计：随机化算法.ppt

设p(x)是LV算法对x获得一个解的概率正确的LV算法应该对所有输入x均有p(x)0设t(x)是算法obstinate找到具体实例x的一个解所需的平均时间s(x)和e(x)分别是算法对于具体实例x求解成功或求解失败所需的平均时间，则有：解此方程可得：*拉斯维加斯算法*对于n后问题的任何一个解而言，每一个皇后在棋盘上的位置无任何规律，不具有系统性，而更象是随机放置的。由此容易想到拉斯维加斯算法。在棋盘上相继的各行中随机地放置皇后，并注意使新放置的皇后与已放置的皇后互不攻击，直至n个皇后均已相容地放置好，或已没有下一个皇后的可放置位置时为止。n后问题的拉斯维加斯算法*将随机放置策略与回溯法相结合，会获得更好的效果。可以先在棋盘的若干行中随机地放置皇后，然后在后继行中用回溯法继续放置，直至找到一个解或宣告失败。随机放置的皇后越多，后继回溯搜索所需的时间就越少，但失败的概率也就越大。n后问题的拉斯维加斯算法*stopVegaspset01.0000262.00--262.0050.503933.8847.2380.39120.046513.0010.20222.11允许随机放置的皇后数12后问题的拉斯维加斯算法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以高概率得到正确解，且简单高效，是很有价值的一类随机算法一般情况下，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，这是蒙特卡罗算法的缺陷**设p是一个实数，且1/2p1。如果一个蒙特卡罗算法对于问题的任一实例得到正确解的概率不小于p，则称该蒙特卡罗算法是p正确的，且称p-1/2是该算法的优势。如果对于同一实例，蒙特卡罗算法不会给出2个不同的正确解答，则称该蒙特卡罗算法是一致的。蒙特卡罗算法************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，本章所讨论的随机化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，因此随机化算法可在很大程度上降低算法复杂性。随机化算法的一个基本特征是对所求解问题的同一实例用同一随机化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)。*随机数随机数是随机化算法中的核心元素现实计算机无法产生真正的随机数，随机化算法中使用的是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*d称为该随机序列的种子，一般由用户或系统时间指定。m为机器大数，b为一素数。数值随机算法数值随机算法(numericalrandomizedalgorithm)用于求数值问题的近似解精度随计算时间增加而不断提高**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，从而数值随机算法*用随机投点法计算?值doubleDarts(intn){//用随机投点法计算?值staticRandomNumberdart;intk=0;for(inti=1;i=n;i++){doublex=dart.fRandom();doubley=dart.fRandom();if((x*x+y*y)=1)k++;}return4*k/double(n);}*用随机投点法计算?值的运行实例*用随机投点法计算?值的运行实例舍伍德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。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(Sherwood)算法设A是一