算法设计之概率算法

算法设计之概率算法

• 1.为什么需要概率算法？

与确定性算法相比，若冒险，可能做得更好！

• 概率算法的分类？

1. 数字算法。
   求数字问题的近似解求数字问题的近似解
2. Monte Carlo算法 (MC算法)
   这里我们指的MC算法是： 若问题只有1个正确的解，而无近似解的可能时使用MC算法。
   特点：MC算法总是给出一个答案，但该答案未必正确，成功(即答案是正确的)的概率正比于算法执行的时间。
   缺点：一般不能有效地确定算法的答案是否正确。
   常见的场景：素数测定
   

所以MC算法的基本思想是：为了增加一个一致的、p-正确算法成功的概率，只需多次调用同一算法，然后选择出现次数最多的解。

3. Las Vegas（LV）
LV算法绝不返回错误的答案。
特点：获得的答案必定正确，但有时它仍根本就找不到答案。
与MC算法一样，成功的概率正比于算法的执行时间。
常见问题：N皇后问题。
4.Sherwood算法
当某些确定算法解决一个特殊问题平均的时间比最坏时间快得多时，我们可以使用Sherwood算法来减少，甚至是消除好的和坏的实例之间的差别。
常见的场景： 离散对数计算，搜索有序表
将输入实例随机化，从概率上消除实例的差异：
可将随机预处理使用到f的计算上：
① 使用函数u将x加密为某一随机实例y
② 将y提交给f计算出f(y)的值
③ 使用函数v转换为f(x)