Python算法分析与设计：随机算法

Python算法分析与设计：随机算法

一、实验目的

1、了解两种典型的随机算法：蒙特卡洛和拉斯维加斯算法，以及它们之间的异同
2、熟练掌握利用随机算法求解典型的计算问题，如矩阵乘积结果验证、快速排序、选择第K小的数和最小割验证等
3、了解随机快速排序算法复杂度分析过程

二、实验工具

Win10操作系统、python3.7编译环境、IDLE编译器

三、实验内容

应用蒙特卡洛算法，设计一段python程序，用于计算圆周率的近似值。

四、实验调试过程

要求圆周率的近似值，实验原理为：
一个正方形内部相切一个圆，圆和正方形的面积之比是π/4。在这个正方形内部，随机产生n个点（这些点服从均匀分布），计算它们与中心点的距离是否大于圆的半径，以此判断是否落在圆的内部。统计圆内的点数，与n的比值乘以4，就是π的值。理论上，n越大，计算的π值越准。

综上，计算圆周率的近似值，我们可以用蒙特卡洛算法和随机生成数（random）算法来计算。random库Python的另一个标准库，它主要是用来生成随机数的。random库生成的随机数是采用梅森旋转算法生成的（伪）随机数。蒙特卡洛方法（Monte Carlo method），也称统计模拟方法，是指使用随机数（或更常见的伪随机数）来解决很多计算问题的方法。当所求解问题是某种随机事件出现的概率，或者是某个随机变量的期望值时，通过某种“实验”的方法，以这种事件出现的频率估计这一随机事件的概率，或者得到这个随机变量的某些数字特征࿰