《理解产生伪随机数的算法掌握数值概率算法的设计思想掌握舍.ppt》由会员分享，可在线阅读，更多相关《理解产生伪随机数的算法掌握数值概率算法的设计思想掌握舍.ppt（45页珍藏版）》请在三一文库上搜索。
1、1,第7章 概率算法,2,理解产生伪随机数的算法 掌握数值概率算法的设计思想 掌握舍伍德算法的设计思想 掌握拉斯维加斯算法的设计思想 掌握蒙特卡罗算法的设计思想,学习要点,3,概率算法的特点,当算法执行过程中面临选择时，概率算法通常比最优选择算法省时。 对所求问题的同一实例用同一概率算法求解两次，两次求解所需的时间甚至所得的结果可能有相当大的差别。 设计思想简单，易于实现。,4,概率算法的分类,5,随机数,随机数在概率算法设计中扮演着十分重要的角色。 在现实计算机上无法产生真正的随机数，因此在概率算法中使用的随机数都是一定程度上随机的，即伪随机数。,6,随机数,线性同余法是产生伪随机数的最常用
2、的方法。由线性同余法产生的随机序列a0,a1,an满足:,其中b0，c0，dm。d称为该随机序列的种子。m应取充分大，因此可取m为机器大数，另外应取gcd(m,b)=1，因此可取b为一素数。,7,数值概率算法,8,计算值,设有一半径为r的圆及其外切四边形。向该正方形随机地投掷n个点。设落入圆内的点数为k。由于所投入的点在正方形上均匀分布，因而所投入的点落入圆内的概率为 。 当n足够大时，k与n之比就逼近这一概率：,9,计算值,程序代码如下： double Darts(int n) / 用随机投点法计算值 static RandomNumber dart; int k=0; for (int i
3、=1;i =n;i+) double x=dart.fRandom(); double y=dart.fRandom(); if (x*x+y*y)=1) k+; return 4*k/double(n); ,10,计算定积分,设f(x)是0，1上的连续函数，且0f(x)1。 需要计算的积分为 ,积分I等于图中的绿色面积G。,11,计算定积分,在图所示单位正方形内均匀地作投点试验，则随机点落在曲线下面的概率为 假设向单位正方形内随机地投入n个点(xi,yi)。如果有m个点落入G内，则随机点落入G内的概率,12,计算定积分,程序代码如下： double Darts(int n) / 用随机投点法
4、计算定积分 static RandomNumber dart; int k=0; for (int i=1;i =n;i+) double x=dart.fRandom(); double y=dart.fRandom(); if (y=f(x) k+; return k/double(n); ,13,解非线性方程组,求解下面的非线性方程组,其中，x1,x2,xn是实变量，fi是未知量x1,x2,xn的非线性实函数。要求确定上述方程组在指定求根范围内的一组解,14,注：一般而言，概率算法费时，但设计思想简单，易实现。对于精度要求高的问题，可以提供较好的初值。,解非线性方程组,线性化方法 求函数
5、极小值方法,15,解非线性方程组,在求根区域D内，选定随机点x0作为随机搜索的出发点。 按照预先选定的分布（正态分布、均匀分布等），逐个选取随机点xj，计算目标函数，满足精度要求的随机点就是近似解。 在算法的搜索过程中，假设第j步随机搜索得到的随机搜索点为xj。在第j+1步，生成随机搜索方向和步长，计算出下一步的增量xj。从当前点xj依xj得到第j+1步的随机搜索点。当(x)时，取为所求非线性方程组的近似解。否则进行下一步新的随机搜索过程。,16,解非线性方程组,While(min epsilon),程序代码,17,解非线性方程组,/计算下一个搜索点 for(int i=1; i = n; i
6、+) xi += dxi; /计算目标函数值 fx = f(x,n); if (fx epsilon) return true; else return false;,程序代码（续）,18,舍伍德算法,19,舍伍德(Sherwood)算法,设A是一个确定性算法，当它的输入实例为x时所需的计算时间记为tA(x)。设Xn是算法A的输入规模为n的实例的全体，则当问题的输入规模为n时，算法A所需的平均时间为,20,舍伍德(Sherwood)算法,注：当s(n)与tA(n)相比可忽略时，舍伍德算法可获得很好的平均性能。,希望获得一个概率算法B，用该算法处理问题的输入，使得对问题的输入规模为n的每一个实例
7、均有,21,舍伍德(Sherwood)算法,这两种算法的核心都在于选择合适的划分基准。舍伍德算法随机地选择一个数组元素作为划分基准。,22,舍伍德(Sherwood)算法,如果所给的确定性算法无法直接改造成舍伍德型算法。此时可借助于随机预处理技术，不改变原有的确定性算法，仅对其输入进行随机洗牌，同样可收到舍伍德算法的效果。 如，对于确定性选择算法，可以用下面的洗牌算法shuffle将数组a中元素随机排列，然后用确定性选择算法求解。这样做所收到的效果与舍伍德型算法的效果是一样的。,23,舍伍德(Sherwood)算法,Shuffle函数的代码： template void Shuffle(Typ
8、e a, int n) / 随机洗牌算法 static RandomNumber rnd; for (int i=0;in;i+) int j=rnd.Random(n-i)+i; Swap(ai, aj); ,24,跳跃表,如果用有序链表来表示一个含有n个元素的有序集S。提高有序链表效率的一个技巧是在有序链表的部分结点处增设附加指针以提高其搜索性能。这种增加了向前附加指针的有序链表称为跳跃表。,25,舍伍德算法的设计思想可用于设计高效的数据结构。,跳跃表,应在跳跃表的哪些结点增加附加指针以及在该结点处应增加多少指针完全采用随机化方法来确定。这使得跳跃表可在O(logn)平均时间内支持关于有序
9、链表的搜索、插入和删除等运算。,26,跳跃表,在一般情况下，给定一个含有n个元素的有序链表，可以将它改造成一个完全跳跃表，使得每一个k级结点含有k+1个指针，分别跳过2k-1，2k-1-1，20-1个中间结点。第i个k级结点安排在跳跃表的位置i2k处，i0。这样就可以在时间O(logn)内完成集合成员的搜索运算。在一个完全跳跃表中，最高级的结点是logn级结点。,27,跳跃表,完全跳跃表与完全二叉搜索树的情形非常类似。它虽然可以有效地支持成员搜索运算，但不适应于集合动态变化的情况。集合元素的插入和删除运算会破坏完全跳跃表原有的平衡状态，影响后继元素搜索的效率。,28,跳跃表,29,跳跃表,产生
10、新结点的级别为0的概率为1-p，级别为1的概率为p(1-p)，级别为i的概率为pi(1-p)。,如此产生的新结点的级别有可能是一个很大的数，甚至远远超过表中元素的个数。为了避免这种情况，用 作为新结点级别的上界。,30,拉斯维加斯( Las Vegas )算法,拉斯维加斯算法的一个显著特征是它所作的随机性决策有可能导致算法找不到所需的解。,void obstinate(Object x, Object y) / 反复调用拉斯维加斯算法LV(x,y)，直到找到问题的一个解y bool success= false; while (!success) success=lv(x,y); ,31,拉斯
11、维加斯( Las Vegas )算法,设p(x)是对输入x调用拉斯维加斯算法获得问题的一个解的概率。一个正确的拉斯维加斯算法应该对所有输入x均有p(x)0。设t(x)是算法obstinate找到具体实例x的一个解所需的平均时间 ,s(x)和e(x)分别是算法对于具体实例x求解成功或求解失败所需的平均时间，则有： 。 解此方程可得：,32,n后问题,对于n后问题的任何一个解而言，每一个皇后在棋盘上的位置无任何规律，不具有系统性，而更象是随机放置的。由此容易想到拉斯维加斯算法。,33,n后问题,可以先在棋盘的若干行中随机地放置皇后，然后在后继行中用回溯法继续放置，直至找到一个解或宣告失败。随机放置
12、的皇后越多，后继回溯搜索所需的时间就越少，但失败的概率也就越大。,34,给定一个合数n，求n的一个非平凡因子的问题称为整数n的因子分割问题。,整数因子分解,设n1是一个整数。关于整数n的因子分解问题是找出n的如下形式的唯一分解式： 。 其中，p1p2pk是k个素数，m1,m2,mk是k个正整数。如果n是一个合数，则n必有一个非平凡因子x，1xn，使得x可以整除n。,35,整数因子分解,int Split(int n) int m = floor(sqrt(double(n); for (int i=2; i=m; i+) if (n%i=0) return i; return 1; ,事实上，
13、算法split(n)是对范围在1x的所有整数进行了试除而得到范围在1x2的任一整数的因子分割。,36,Pollard算法,在开始时选取0n-1范围内的随机数，然后递归地由 产生无穷序列 对于i=2k，以及2kj2k+1，算法计算出xj-xi与n的最大公因子d=gcd(xj-xi，n)。如果d是n的非平凡因子，则实现对n的一次分割，算法输出n的因子d。,37,Pollard算法,void Pollard(int n) / 求整数n因子分割的拉斯维加斯算法 RandomNumber rnd; int i=1; int x=rnd.Random(n); / 随机整数 int y=x; int k=2
14、; while (true) i+; x=(x*x-1)%n; / int d=gcd(y-x,n); / 求n的非平凡因子 if (d1) ,38,蒙特卡罗(Monte Carlo)算法,设p是一个实数，且1/2p1。如果一个蒙特卡罗算法对于问题的任一实例得到正确解的概率不小于p，则称该蒙特卡罗算法是p正确的，且称p-1/2是该算法的优势。,如果对于同一实例，蒙特卡罗算法不会给出2个不同的正确解答，则称该蒙特卡罗算法是一致的。,39,蒙特卡罗(Monte Carlo)算法,有些蒙特卡罗算法除了具有描述问题实例的输入参数外，还具有描述错误解可接受概率的参数。这类算法的计算时间复杂性通常由问题的
15、实例规模以及错误解可接受概率的函数来描述。,40,蒙特卡罗(Monte Carlo)算法,对于一个一致的p正确蒙特卡罗算法，要提高获得正确解的概率，只要执行该算法若干次，并选择出现频次最高的解即可。 如果重复调用一个一致的(1/2+)正确的蒙特卡罗算法2m-1次，得到正确解的概率至少为1-，其中,41,蒙特卡罗(Monte Carlo)算法,对于一个解所给问题的蒙特卡罗算法MC(x)，如果存在问题实例的子集X使得：,(1)当xX时，MC(x)返回的解是正确的； (2)当xX时，正确解是y0，但MC(x)返回的解未必是y0。 称上述算法MC(x)是偏y0的算法。,42,蒙特卡罗(Monte Ca
16、rlo)算法,43,主元素问题,设T1:n是一个含有n个元素的数组。当|i|Ti=x|n/2时，称元素x是数组T的主元素。,template bool Majority(Type *T, int n) / 判定主元素的蒙特卡罗算法 int i=rnd.Random(n)+1; Type x=Ti; / 随机选择数组元素 int k=0; for (int j=1;jn/2); / kn/2 时T含有主元素 ,template bool MajorityMC(Type *T, int n, double e) / 重复调用算法Majority int k=ceil(log(1/e)/log(2)
17、; for (int i=1;i=k;i+) if (Majority(T,n) return true; return false; ,44,素数测试,Wilson定理：对于给定的正整数n，判定n是一个素数的充要条件是(n-1)! -1(mod n)。,void power( unsigned int a, unsigned int p, unsigned int n, unsigned int ,费尔马小定理：如果p是一个素数，且0ap，则ap-1(mod p)。,二次探测定理：如果p是一个素数，且0xp，则方程x21(mod p)的解为x=1，p-1。,45,bool Prime(unsigned int n) / 素数测试的蒙特卡罗算法 RandomNumber rnd; unsigned int a, result; bool composite=false; a=rnd.Random(n-3)+2; power(a,n-1,n,result,composite); if (composite|(result!=1) return false; else return true; ,算法prime是一个偏假3/4正确的蒙特卡罗算法。通过多次重复调用错误概率不超过(1/4)k。这是一个很保守的估计，实际使用的效果要好得多。,