Preguntas etiquetadas con randomized-algorithms

Un algoritmo cuyo comportamiento está determinado por su entrada y un generador que produce números aleatorios uniformes.


1
Consecuencias de
Muchos creen que BPP=P⊆NPBPP=P⊆NP\mathsf{BPP} = \mathsf{P} \subseteq \mathsf{NP} . Sin embargo, solo sabemos que BPPBPP\mathsf{BPP} está en el segundo nivel de jerarquía polinómica, es decir, BPP⊆ΣP2∩ΠP2BPP⊆Σ2P∩Π2P\mathsf{BPP}\subseteq \Sigma^ \mathsf{P}_2 \cap \Pi^ \mathsf{P}_2 . Un paso hacia la muestra BPP=PBPP=P\mathsf{BPP} = \mathsf{P} es a primera bajarla hasta el primer nivel de la …

6
Algoritmos aleatorios eficientes y simples donde el determinismo es difícil
A menudo escucho que para muchos problemas conocemos algoritmos aleatorios muy elegantes, pero no, o solo soluciones deterministas más complicadas. Sin embargo, solo conozco algunos ejemplos de esto. Lo más destacado Selección rápida aleatoria (y algoritmos geométricos relacionados, por ejemplo, para cascos convexos) Mincut aleatorizado Prueba de identidad polinómica Problema …

9
Algoritmo aleatorizado que "parece" determinista?
¿Hay un ejemplo interesante de un algoritmo aleatorio para un problema de búsqueda que siempre genera la misma respuesta (correcta), independientemente de su aleatoriedad interna, pero que explota la aleatoriedad para que su tiempo de ejecución esperado sea mejor que el tiempo de ejecución del más rápido conocido algoritmo determinista …






1
La complejidad de la consulta aleatoria del problema de los árboles combinados.
Un importante artículo de 2003 de Childs et al.introdujo el "problema de los árboles combinados": un problema que admite una aceleración cuántica exponencial que es diferente a casi cualquier otro problema que conozcamos. En este problema, se nos da un gráfico exponencialmente grande como el que se muestra a continuación, …

2
Principio Minimax de Yao sobre algoritmos de Monte Carlo
PPPXX\mathcal{X}AA\mathcal{A}PPPDD\mathcal{D}RR\mathcal{R}AA\mathcal{A}minA∈AEcost(A,D)≤maxx∈XEcost(R,x)for all D and R.minA∈AEcost(A,D)≤maxx∈XEcost(R,x)for all D and R.\min_{A\in\mathcal{A}}\quad\mathbb{E} cost(A,\mathcal{D}) \leq \max_{x\in\mathcal{X}}\quad\mathbb{E} cost(\mathcal{R},x) \quad\quad\text{for all $\mathcal{D}$ and $\mathcal{R}$}. El principio de Yao se ocupa principalmente de los algoritmos de Las Vegas únicamente, pero se puede generalizar a los algoritmos de Monte Carlo de la siguiente manera. donde denota el costo …

3
¿Generalizando el "truco mediano" a dimensiones superiores?
Para los algoritmos aleatorios AA\mathcal{A} toman valores reales, el "truco mediano" es una forma simple de reducir la probabilidad de falla a cualquier umbral δ>0δ>0\delta > 0 , a costa de solo un multiplicativo t=O(log1δ)t=O(log⁡1δ)t=O(\log\frac{1}{\delta})sobrecarga. A saber, si elAA\mathcal{A}salida 's cae en un "buen rango"I=[a,b]I=[a,b]I=[a,b]con una probabilidad de (al menos)2/32/32/3, …



2
Estimando el promedio en tiempo polinomial
Sea sea ​​una función. Queremos estimar el promedio de ; es decir: .f E [ f ( n ) ] = 2 - n ∑ x ∈ { 0 , 1 } n f ( x )f:{0,1}n→(2−n,1]f:{0,1}n→(2−n,1]f \colon \lbrace 0,1 \rbrace ^ n \to (2^{-n},1]fffE[f(n)]=2−n∑x∈{0,1}nf(x)E[f(n)]=2−n∑x∈{0,1}nf(x)\mathbb{E}[f(n)]=2^{-n}\sum_{x\in \lbrace 0,1 \rbrace ^ n}f(x) …

Al usar nuestro sitio, usted reconoce que ha leído y comprende nuestra Política de Cookies y Política de Privacidad.
Licensed under cc by-sa 3.0 with attribution required.