高级算法设计之 -- Derandomized MAXCUT Approximation

笔记来源：高级算法设计（孙晓明老师部分）
本文参考：http://people.seas.harvard.edu/~salil/pseudorandomness/basic.pdf

关于条件期望用于去随机化的原理https://blog.csdn.net/qq_38662930/article/details/105141845

最大割

定义将图的顶点分为两个集合，使得集合间的边数最大
形式化定义：


设最优的割划分为$OPT$,随机算法求出的一个割为$\delta (U)$定义其比值 为$\frac{\delta (U)}{OPT}$,比值越接近1越好 。通过随机 算法可以找到一个之割，其期望割边至少是边数的二分之一。

主要思想是：对于每一个顶点以掷硬币的方式决定其是否属于所求的割。

证明：分为两个集合S和T， ∀ ( u i , v j ) ∈ E 当 u i ∈ S , v j ∈ T ， 或 u i ∈ T , v j ∈ S 时 即 p r ( x i ≠ x j ) , 则 u i , v j 在 对 应 的 割 中 P r { ( u i , v j ) ∈ E ( S , T ) } = 1 / 4 + 1 / 4 = 1 / 2 ， 此 时 E { δ ( U ) } = E 2 \forall (u_i,v_j) \in E \\ 当u_i \in S,v_j \in T，或u_i \in T,v_j \in S时\\ 即pr(x_i\ne x_j) ,则u_i,v_j 在对应的割 中\\ Pr\{(u_i,v_j)\in E(S,T)\}=1/4+1/4=1/2，\\此时E\{\delta(U) \}=\frac{E}{2} ∀(ui​,vj​)∈E当ui​∈S,vj​∈T，或ui​∈T,vj​∈S时即pr(xi​​=xj​),则ui​,vj​在对应的割中Pr{(ui​,vj​)∈E(S,T)}=1/4+1/4=1/2，此时E{δ(U)}=2E​,
当不再是硬币选择是（例如1/3，则结果可以是5/9），概率变会提高，因此最小是1/2

利用条件期望去随机化

主要思想：利用逐次固定变量的优化方法，先通过期望找到一个好的然后利用条件期望去随机化。
如上图所示，我们己经求出$E(|E(A,B)|)$的期望，然后利用全概率公式展开成关于$Z_1(表示第一个顶点是否进入所求割)$的条件概率期望,我们总能求出关于$E(Y|Z_1=1)$和$E(Y|Z_1=0)$的大小关系，然后向上放大。接下来我们再求出关于$Z_1 $的最优解，然后再对$X_2 $进行展开和放大，直到所有的顶点全部展开.

从而求得一个可行割$$|E（A,B）|=E（Y|u_1\in A,u_2\in B...）\ge E(|E(A,B)|)$$