高级算法设计--条件期望去随机化

笔记来源：高级算法设计（孙晓明老师部分）
CPSC 536N: Randomized Algorithms
https://www.cs.ubc.ca/~nickhar/W12/Lecture16Notes.pdf

本节主要学习了如何通过去随机化将i随机算法转化为确定性算法,即先设计一个较好的随机算法，其输出值$E(Y)\ge u$,然后去随机化，使得一个近似算法
$$f(x_1,x_2,\dots ,,x_n)=E(Y(X_1,X_2,\dots ,X_n)|(x_1,\dots ,x_n))>u$$

应用

1. perfect matching
2. Max-cut
3. Max-SAT

1 Method of Conditional Expectations

其应用于求解最大割算法https://blog.csdn.net/qq_38662930/article/details/105138528
期望去随机化可能用来求解$$\begin{gathered} f(x_1,\dots ,x_n)<=E(f(X_1,\dots ,X_n))或 \\ f(x_1,\dots ,x_n)\ge E(f(X_1,\dots ,X_n)) \end{gathered}$$
证明等式一,假如已经通过穷举求得$$E(f(x_1,\dots ,x_{i-1},X_i,\dots ,X_n))$$
为便于说明不访设$X_i\in 0,1$
$$\begin{gathered} E(f(X_1,\dots ,X_n))=Pr(X_i=0)E(f(x_1,\dots ,x_{i-1},X_i=0,\dots ,X_n))+ \\ Pr(X_i=1)E(f(x_1,\dots ,x_{i-1},X_i=1,\dots ,X_n))\ge E(f(x_1,\dots ,x_{i-1},X_i=0,\dots ,X_n)) \\ \ge f(x_1,x_2,\dots ,x_n) \end{gathered}$$
注意的是这里要求各个变量是相互独立的