随机化算法

随机化算法的个基本特征是对所求解问题的同实例用同 随机化算法求解两次可能得到完全不同的效果。这两次求解所需的时间甚至得到的结果可能有相当大的差别。胶情况下，可将随机化算法大致分为4类:数值随机化算法、蒙特卡罗算法、拉斯维加斯算法和舍伍德 算法。
数值随机化算法常用于数值问题的求解，得到的往往是近似解，且近似解的精度随计算时间的增加而不断提高。在许多情况下，要计算出问题的精确解是不可能的或没有必要的，因此用数值随机化算法可得到相当满意的解。
蒙特卡罗方法用于求问题的准确解。对于许多问题来说，近似解毫无意义。例如，-个判定问题，其解为“是"或“否”，二者必居其一，不存在任何近似解答。又如，要求一个整数的因子时所给出的解答必须是准确的，整数的近似因子没有任何意义。用蒙特卡罗算法能求得问题的一个解，但这个解未必是正确的。其求得正确解的概率依赖于算法所用的时间，算法所用的时间越多，得到正确解的概率就越高。蒙特卡罗算法的主要缺点也在于此。一般情况下，无法有效地判定得到的解是否肯定正确。
拉斯维加斯算法不会得到不正确的解。旦用拉斯维加斯算法找到一 一个解， 这个解就一定是正确解，但有时找不到解。与蒙特卡罗算法类似，拉斯维加斯算法找到正确解的概率随着所用的计算时间的增加而提高。对于所求解问题的任一实例， 用同- -拉斯维 加斯算法反复对该实例求解足够多次，可使求解失效的概率任意小。
舍伍德算法总能求得问题的一一个解， 且求得的解总是正确的。当个确定性 算法在最坏情况下的计算复杂性与其在平均情况下的计算复杂性有较大差别时，可在这个确定性算法中引入随机性将它改造成一个舍伍德算法，消除或减少问题的好坏实例间的这种差别。舍伍德算法的精髓不是避免算法的最坏情形行为，而是设法消除这种最坏情形行为与特定实例之间的关联性。

这些算法对于我们计算机科学与技术专业中的算法分析的学习当中起到了不可或缺的一环，需要我们对其的的掌握和了解，才能够帮助我们更好的进行下一步学习