《算法导论3rd第五章》概率分析和随机算法

最新推荐文章于 2022-09-02 13:39:26 发布

懒猫gg

最新推荐文章于 2022-09-02 13:39:26 发布

阅读量1.5k

点赞数 1

分类专栏： # 算法导论文章标签：算法导论第五章概率分析与随机算法

本文链接：https://blog.csdn.net/y3over/article/details/9211399

版权

算法导论专栏收录该内容

26 篇文章 18 订阅

订阅专栏

本文探讨了算法分析中的最坏情况、平均情况和概率分析，以雇用助理问题为例，展示了如何计算随机算法的期望费用。通过引入指示器随机变量，解析了面试费用和雇用费用的期望值。同时，介绍了随机算法的实现，包括随机排列应聘者顺序以达到均匀分布，并分析了各种随机排列算法的性质和效率。

摘要由CSDN通过智能技术生成

前言

一个算法，随着输入顺序的不同，复杂度也会随之变化，如何分析算法的。

雇用关系

问题描述

假设雇用一名新的办公助理，先找一名雇用代理。雇用代理每天推荐一个应聘者，雇用者决定是否雇用。雇用者必须给雇用代理一小笔费用，以便面试应聘者。在面试完每个应聘者后，如果该应聘者比目前的办公助理更合适，就会辞掉当前的办公助理，然后聘用新的。

HIRE-ASSISTANT 过程表示雇用策略。假设应聘办公助理的候选人编号为 1 到 n 。该过程中假设雇用者在面试完应聘者 i 后，决定应聘者 i 是否是你目前见过的最佳人选。

HIRE-ASSISTANT(n)
    best = 0		// candidate 0 is a least-qualified dummy candidate
    for i = 1 to n
	    interview candidate i
	    if candidate i is better than candidate best
		    best = i 
		    hire candidate i

面试的费用较低，比如为 $c_i$ ，然而雇用的费用较高，设为 $c_h$ 。假设m是雇用的人数，那么该算法的总费用就是 $O(c_in+c_hm)$ 。不管雇用多少人，总会面试 n 个应聘者，于是面试产生的费用总是 $c_in$ 。因此我们只关注于分析 $c_hm$ ，即雇用的费用。这个量在该算法的每次执行中都不同。

最坏情况分析

在最坏情况下，应聘者质量按出现的次序严格递增时，雇用了n次，总的费用是 $O(c_hn)$ 。

概率分析

即对所有可能输入产生的运行时间取平均。当报告此种类型的运行时间时，我们称其为平均情况运行时间。

随机算法

如果一个算法的行为不仅由输入决定，而且也由随机数生成器产生的数值决定，则称这个算法是随机的。

概率分析和随机算法的区别：前者是假设输入是随机的，后者是将给定输入随机（不受输入影响）

练习

1-1 证明: 假设在过程HIRE-ASSISTANT的第4行中，我们总能决定哪一个应聘者最佳,则意味着我们知道应聘者排名的全部次序。

如果一个偏序关系同时又是一个全关系，则称为全序或线性序。一个偏序关系，要求满足自反性、反对称性和传递性。

假设这里的关系为 “是否好或更好于”，

自反性：每个应聘者都比自己好或更好。满足
反对称性：如果应聘者A好或更好于应聘者B，同时应聘者B又好或更好于应聘者A，则可知A和B一样好。满足
传递性：如果应聘者A好或更好于应聘者B，应聘者B又好或更好于应聘者C，则A好或更好于C。满足
所以该关系是一个偏序。又因为所有的应聘者出现的情况的关系，我们都可以判断，所以该关系又是一个全关系。因此，该关系是一个全序。

1-2 请描述RANDOM(a,b)过程的一种实现，它只调用RANDOM(0,1). 作为a和b的函数，你的过程的期望运行时间是多少？
1-3 假设你希望以1/2的概率输出0与1。你可以自由使用一个输出0或1的过程BIASED-RANDOM。它以某种概率p输出1，概率1-p输出0，其中0<p<1, 但是p的值未知。请给出一个利用BIASED-RANDOM做为子程序的算法，返回一个无偏的结果，能以概率1/2返回1。作为p的函数，你的算法的期望运行时间是多少？

指示器随机变量

指示器随机变量定义：给定一个样本空间S和事件A，那么事件A对应的指示器随机变量 $I\{A\}$ 定义为：

以一个例子简要说明如何应用指示器随机变量,并引出一个定理

确定在抛一枚均匀硬币时正面朝上的次数，样本空间为 S{H,T}
H为正面朝上，T为反面朝上,即Pr{H}=Pr{T}=1/2
定义指示器随机变量 $X_H$ ,这个变量计算抛硬币时正面朝上的次数，正面朝上值为1，否则为0

则假设抛一枚硬币时，正面朝上的期望次数为 $E[X_H] = E[I\{H\}] = 1* Pr\{H\}+ 0 * Pr\{T\} = 1/2$

由上述可知, $X_H$ 代表的是次数，所以抛一枚硬币时分布列为1和0，再分别乘对应的概率值即为期望值

引理5.1 给定样本空间S和S中的事件A,令 $X_A = I\{A\}$ ,则 $E[X_A]=Pr\{A\}$

利用指示器随机变量分析雇佣问题

概率分析的方法（高中时候常用的求期望的方法， $E[X]=\sum_{x=1}^nxPr\{X=x\}$ ）
用指示器随机变量来求期望

虽然面试了n个人，但实际上只雇佣他们其中的lnn个人.

引理 5.2 ：假设应聘者以随机次序出现，算法 HIRE-ASSISTANT 总的雇用费用平均情形下为 $O(c_h\ln n)$

练习

2-1在HIRE-ASSISTANT中，假设应聘者以随机顺序出现，你正好雇佣一次的概率是多少？正好雇佣n次的概率是多少？
```
雇用一次表示第一次应聘者为 n ，概率为1/n 。
雇用n次表示应聘者顺序为<1,2,...,n> ，概率为1/n! 
```

2-2 在HIRE-ASSISTANT，假设应聘者以随机顺序出现，你正好雇佣两次的概率是多少？

1.候选人1总是被录用的
2.最好的候选人（排名为n的候选人）总是被录用

即：

假设rank值为1...n

1. 候选人1为rank为i的事件为 p(Ei) = 1/n
2. 如果满足题目的正好2次录用，则 i+1,i+2...n-1候选人必须在候选人n后面


P(E) = Σ(i=1,n-1)P(Ei)* 1/n-i = Σ(i=1,n-1) 1/n * 1/n-i
ps:累加只作到n-1,表示没包裹P(En)事件

2-3 利用指示器随机变量来计算掷n个骰子之和的期望值
2-4 利用指示器随机变量来解如下的帽子核对问题（hat-heck problem）：n位顾客，他们每个人给餐厅核对帽子的服务生一顶帽子。服务生以随机顺序将帽子归还给顾客。请问拿到自己帽子的客户的期望数是多少？
2-5 设A[1…n]是由n个不同数构成的数列。假如i<j且A[i]>A[j],则称(i,j)对为A的一个逆序对(inversion)。假设A的元素构成<1,2,…,n>上的一个均匀随机排列。请用指示器随机变量来计算其中逆序对的数目期望。

随机算法

在上面，我们通过对m的分布分析出平均情况，但是在很多时候，我们是无法得知输入分布信息的。(ps:如果输入固定，通过概率分析结论则是错误的)。

针对上面的雇用问题，我们可以在算法运行前先随机地排列应聘者，以加强所有的排列都是等可能出现的。

Randomized-hire-assistant(n):
	randomly permute the list of candidate
	best = 0  //candidate 0 is the least-qualified dummy candidate
	for i = 1 to n:
		interview candidate i
		if candidate i is better than candidate best:
			best = i
			hire candidate i

通过这个简单的改变，我们已经建立了一个随机算法，其性能和假设应聘者以随机次序所得的结果是一样的

引理 5.3 ：过程 RANDOMIZED-HIRE-ASSISTANT 总的雇用费用期望是 $O(c_h\ln n)$

随机排列数组

很多随机算法通过对给定的输入变换排序使输入随机化。下面主要介绍2种。

第一种算法是为数组的每个元素A[i]赋一个随机的优先级P[i]，然后依据优先级对数组A中的元素进行排序。例如，如果初始数组A=(1，2，3，4)，随机选择的优先级P=(36，3，62，19)，则将产生一个数组B=(2，4，1，3)，因为第2个优先级最小，接下来是第4个，然后第1个，最后第3个
```
PERMUTE-BY-SORTING(A)
    n = A.length
    let P[1..n] be a new array
    for i = 1 to n
        P[i] = RANDOM(1,n^3)
    sort A, using P as sort keys
```
第二种算法是原址排列给定数组。过程在O(n)时间内完成。在进行第i次迭代时，元素A[i]是从元素A[i]到A[n]中随机选取的。第i次迭代以后，A[i]不再改变。
```
RANDOMIZE-IN-PLACE(A)
    n = A.length
    for i = 1 to n
        swap A[i] with A[RANDOM(i,n)]
```

以上两种算法都是一个均匀随机排列,而对于一个算法能否保证均匀随机排列数组，主要考查两点：

产生的排列个数是N！个
每种排列的概率相同，即都为1/N!

练习

3-1 （略）

3-2 Kelp教授决定写一个过程来随机产生除恒等排列（identity permutation）外的任意排列。他提出了如下过程

PERMUTE-WITHOUT-IDENTITY(A)
	n = A.length
	for i = 1 to n-1
		swap A[i] with A[RANDOM(i+1,n)]

这里的恒等排列我理解为原数组本身的排列，即Kelp想要的排列情况有n!-1种，
不能，因为每次置换都不可能出现第i个元素在相同的位置上，只会产生 (n−1)! 种不同的情况。

3-3 假设我们不将元素A[i]与子数组A[i…n]中的一个随机元素交换，而是将它与数组任何位置上的随机元素交换，以下代码会产生一个均匀随机排列吗？为什么会或为什么不会？
```
PERMUTE-WITH-ALL(A)
	n = A.length
	for i = 1 to n
		swap A[i] with A[RANDOM(1,n)]

不能。有 n^n 种方式放置元素，同时又有n!种排列。获得等同排列的概率是 1/(n^n*n!) ，不是 1/n! 
```

3-4 Armstrong教授建议用下面的过程来产生一个均匀随机排列,请说明每个元A[i]出现在B中任何特定位置的概率是1/n。然后通过说明排列结果不是均匀随机排列，表明Armstrong教授错了。

n = A.length
let B[1..n] be a new array
offset = RANDOM(1, n)
for i = 1 to n
    dest = i + offset
    if dest > n
        dest = dest - n
    B[dest] = A[i]
return B


很容易理解，A 中每一个元素出现在B中的任何位置的概率是 1/n， 因为 P{dest}=P{offset}=1/n。
这样做只是获得了一个在原数组A上的循环置换元素后的数组B ，产生数组排列也是1/n，所以不是均匀随机排列。

3-5 证明：在过程PERMUTE-BY-SORTING的数组P中，所有元素都唯一的概率至少是1−1/n。
3-6 请解释如何实现算法PERMUTE-BY-SORTING，以处理两个或更多优先级相同的情形。也就是说，即使有两个或更多优先级相同，你的算法也应该产生一个均匀随机排列
```
思路就是要确保这几个优先级相同的项得到随机的排列：
对几个优先级相同的项，再进行一轮随机优先级排序；
```
3-7假设我们希望创建集合{1,2,3,...,n}的一个随机样本,即一个具有m个元素的集合S, 其中0≤m≤n,使得每个m集合能够等可能地创建。一种方法是对i=1,2,...,n设A[i]=i，调用RANDOM-IN-PLACE(A),然后取最前面的m个数组元素。这种方法会对RANDOM过程调用n次。如果n比m大很多,我们能够创建一个随机样本，只对RANDOM调用更少的次数。请说明下面的递归过程返回{1,2,3,...,n}的一个随机m子集S,其中每个m子集是等可能的，然而只对RANDOM调用m次。
```
RANDOM-SAMPLE(m,n)
if m == 0
    return ∅
else
    S = RANDOM-SAMPLE(m-1, n-1)
    i = RANDOM(1,n)
    if i ∈ S
        S = S ∪ {n}
    else
        S = S ∪ {i}
    return S
```

概率分析和指示器随机变量的进一步使用

主要通过以下几个案例，进一步解释概率分析。

生日悖论

一个屋子里人数必须要达到多少人，才能使其中两人的生日相同的机会达到50%。你可能认为是365 / 2，但事实上，答案是一个很小的数值。

需要提前说明的是

    a. 我们对屋子里的k个人进行了从1~k的依次编号；

    b. 我们不考虑闰年的情况，即1年是N = 365天。我们对每一天也进行了编号，编号方式是一年中的第n天编号为n；

    c. 我们设bi表示编号为i的人的生日，bi = n表示编号为i的人的生日是编号为n的那天。显然有，1≤bi≤365。

    d. 我们还假设生日均匀分布在一年中的n天中，因此概率P(bi = n) = 1 / N;

方式1：我们直接从正面去思考，即存在两人生日相同的概率。

记bi和bj分别表示i和j两人的生日，那么两人生日落在第n天的概率P(bi = bj = n) = P(bi = n) * P(bj = n) = 1 / N²。那么两人生日落在同一天的概率：

$P(b_i=b_j)=\sum_{n=1}^NP(b_i=b_j=n)=\sum_{n=1}^N\frac{1}{N^2}=1/N$

我们用计数变量Xij来表示i和j两人的生日是否相同（如果相同Xij = 1，否则Xij = 0），即 $P(X_{ij})$ = 1 / N；设X表示生日相同两人对目的数随机变量

$X=\sum_{i=1}^k\sum_{j=i+1}^kX_{ij}$

其期望

$E(X)=\binom{k}{2}\frac{1}{n}=\frac{k(k-1)}{2n}$

由E(X) ≥1可解得，n≥28。这就是说，屋子里至少需要有28人，我们可以期望找到至少一对人生日相同。

方式2：我们再从对立面去考虑该问题，即任意两人生日都不同的概率。

我们设Ai表示对于所有j<i，i与j生日都不同的事件；设Bk表示k个人生日都不同的事件

$B_k=Ak \bigcap B_{k-1}$

即，k个人生日都不同 = k-1个人生日都不同 * 第k人与其它人生日都不同（由贝叶斯定理）

$P(B_k) = P(B_{k-1}) P(A_k|B_{k-1})$

由此我们可以递归的得到：

P(B1)=1
P(Ak|Bk-1)=(n-k+1)/n（因为P(Ak|Bk-1)的意思是在k-1人生日都不同的情况下，第k个人生日与前面k-1个人不同的概率）

有不等式 $1+x \leq e^x$ ，我们得出

由1-P(Bk)<=50%得：k≥23。这就是说如果至少有23个人在一间屋子里，那么至少有两个人生日相同的概率至少是50%。

练习

4-1一个屋子里必须要有多少人，才能让某人和你生日相同的概率至少为1/2?必须要有多少人，才能让至少两个人生日为7月4日的概率大于1/2?
4-2假设将球投入到b个盒子里,直到某个箱子中有两个球。每一次投掷都是独立的，并且每个球落入箱子机会均等，请问投球次数期望是多少
```
与生日悖论方式1相同

即 k(k-1)>=2b时，两球投入一箱子内至少2次

=> 厂2b +1
```

4-3在生日悖论的分析中，要求各人生日彼此独立是否很重要？是否只要两两成对独立就足够了

随机独立，即两个随机数之间没有关系
两两独立就足够了。从计算的结果都依赖与P(bi=bj)的条件 ，并不需要更前面的假设

4-4一次聚会需要邀请多少人，才能让其中3人的生日很可能相同
4-5（略，题目看不懂）
4-6假设n个球投入n箱子里，其中每次投球独立，并且每个球等可能落入箱子。空箱子的数目期望是多少？正好有一个不过的箱子数目期望是多少
4-7（略）

思考题

。。。

主要参考

《利用指示器随机变量分析雇佣问题》

《算法导论第三版第5章习题答案》

《概率分析和随机算法(1)——算法导论(5)》

《概率分析和随机算法(2)——算法导论(6)》

《《算法导论》第五章-第3节_练习（参考答案）》

懒猫gg

关注

1
点赞
踩
8

收藏

觉得还不错? 一键收藏
0
评论
复制链接

分享到 QQ

分享到新浪微博

扫一扫

专栏目录