算法导论 第五章 概率分析和随机算法

5.1 雇佣问题

雇佣问题类似于在一组随机排序的数组中查询最大值的问题，对于这类问题无法确切的得出其运行效率。但可以根据输入的概率分布得到平均情况运行时间。对于一个算法行为不仅由输入决定，而且由随机数生成器产生的数值决定，则称算法是随机的，其运行时间称为期望运行时间。

5.2指示器随机变量

由指示器随机变量计算雇佣问题的期望

5.3 随机算法

对于一个输入为随机的问题只可以讨论平均情况运行时间，若欲讨论其期望运行时间，则可以使用随机算法将输入进行随机排列。

将一个输入转化为一个随机排列数组，使得产生的排列个数是N!个，且每种排列的概率相同，即都为1/N!，采用两种方法：

import random
def MERGE(A, B, p, q, r):
    L = A[p:q]
    LB = B[p:q]
    L.append(float("inf"))
    R = A[q:r]
    RB = B[q:r]
    R.append(float("inf"))
    i = 0
    j = 0
    for k in range(p, r):
        if L[i] <= R[j]:
            B[k] = LB[i]
            A[k] = L[i]
            i = i + 1
        else:
            B[k] = RB[j]
            A[k] = R[j]
            j = j + 1

def MERGE_SORT(A, B, p, r):
    if p < r-1:
        q = (p + r) // 2
        MERGE_SORT(A, B, p, q)
        MERGE_SORT(A, B, q, r)
        MERGE(A, B, p, q, r)

def PERMUTE_BY_SORTING(A):
    n = len(A)
    P = []
    for i in range(0, n):
        p = random.randint(0, n ** 3)
        P.append(p)
    MERGE_SORT(P, A, 0, n)

def RANDOMIZE_IN_PLACE(A):
    n = len(A)
    for i in range(0, n):
        randIndex = random.randint(i, n-1)
        temp = A[i]
        A[i] = A[randIndex]
        A[randIndex] = temp
        

5.4 概率分析和指示器随机变量的进一步使用

生日悖论：n个人中，两个人生日落在第i天的概率为1/(n^2)，则两人同一天生日的概率为其期望，值从第一天到第n天有n*(1/(n^2)) = 1/n。至少有两个人在同一天生日的概率大于1/2，即为不存在同一天生日的排列的补集(1 - p)大于1/2, 则p小于1/2，若采用随机变量指示器计算其期望C(k, 2)*(1/n)

球与箱子：投球符合几何分布，第i-1次命中到第i次命中之间的投球次数的期望为1/((b-i+1)/b) = b/(b-i+1)，则每个箱子中至少有一个球的期望为1到b的和为b(ln(b) + O(1))。

特征序列：共n次实验，连续出现k次正面向上的期望值为X(k),每种可能的概率为从i到i+k < n出现正面向上的概率，i的值从1到n-k+1，连续出现k次的概率为1/(2^k),则期望x为这些概率的和 = (n - k + 1)/(2^k)，特征序列即：使得期望达到最大时k的值，转化为求最大值问题，当k = lg(n) 时最大。

在线雇佣问题：面试n个人，抛弃前k个人，雇佣k+1到n中第一个比之前都优秀的人其位置为i。在位置i雇佣到最佳人选的期望值X(k)，每一个可能的i为k+1到n，最佳人选在位置i被雇佣的概率由最佳人选排在位置i概率为1/n，且k+1到i-1之间不会有人被聘用即其中的最大值只在1到k之间概率为k/(i-1)。两个概率之积，并由k+1到n的和的期望达到最大值时k的值即为问题的解。

习题解答