斯演算法

『壹』 隨機演算法原理

展開專欄
登錄
企鵝號小編
5.7K 篇文章
關注
詳解各種隨機演算法
2018-02-06閱讀 1.4K0
轉自：JarvisChu

之前將的演算法都是確定的，即對於相同的輸入總對應著相同的輸出。但實際中也常常用到不確定的演算法，比如隨機數生成演算法，演算法的結果是不確定的，我們稱這種演算法為（隨機）概率演算法，分為如下四類：

1、數值概率演算法

用於數值問題的求解，通常是近似解

2、蒙特卡洛演算法Monte Carlo

能得到問題的一個解，但不一定是正確解，正確的概率依賴於演算法運行的時間，演算法所用的時間越多，正確的概率也越高。求問題的准確解；

3、拉斯維加斯演算法 Las Vegas

不斷調用隨機演算法求解，直到求得正確解或調用次數達到某個閾值。所以，如果能得到解，一定是正確解。

4、舍伍德演算法 Sherwood

利用隨機演算法改造已有演算法，使得演算法的性能盡量與輸入數據無關，即平滑演算法的性能。它總能求得問題的一個解，且求得的解總是正確的。

隨機數

概述

計算機產生的隨機數都是偽隨機數，通過線性同餘法得到。

方法：產生隨機序列


d稱為種子；m取值越大越好；m，b互質，常取b為質數；

『貳』 拉斯維加斯演算法和回溯演算法解決問題的區別

一旦用拉斯維加斯演算法找到一個解，這個解就一定是正確解。
但有時用拉斯維加斯演算法找不到解。與蒙特卡羅演算法類似，拉斯維加斯演算法找到正確解的概率隨著它所用的計算時間的增加而提高。
對於所求解問題的任一實例，用同一拉斯維加斯演算法反復對該實例求解足夠多次，可使求解失敗的概率任意小。
拉斯維加斯演算法的一個顯著特徵是它所作的隨機性決策有可能導致演算法找不到所需的解。

『叄』 如何將一蒙特卡洛演算法轉化為拉斯維加斯演算法

『肆』 常用的數據挖掘演算法有哪幾類

常用的數據挖掘演算法分為以下幾類：神經網路，遺傳演算法，回歸演算法，聚類分析演算法，貝耶斯演算法。

目前已經進入大數據的時代，所以數據挖掘和大數據分析的就業前景非常好，學好大數據分析和數據挖掘可以在各個領域中發揮自己的價值；同時，大數據分析並不是一蹴而就的事情，而是需要你日積月累的數據處理經驗，不是會被輕易替代的。一家公司的各項工作，基本上都都用數據體現出來，一位高級的數據分析師職位通常是數據職能架構中領航者，擁有較高的分析和思辨能力，對於業務的理解到位，並且深度知曉公司的管理和商業行為，他可以負責一個子產品或模塊級別的項目，帶領團隊來全面解決問題，把控手下數據分析師的工作質量。

想要了解更多有關數據挖掘演算法的信息，可以了解一下CDA數據分析師的課程。課程教你學企業需要的敏捷演算法建模能力，可以學到前沿且實用的技術，挖掘數據的魅力;教你用可落地、易操作的數據科學思維和技術模板構建出優秀模型，只教實用干貨，以專精技術能力提升業務效果與效率。點擊預約免費試聽課。

『伍』 演算法具有確定性,因此在寫演算法中一定不能包含隨機數調用的函數

錯的，這里舉個例子吧：隨機快速排序，每次隨機取一個值作為排序分類標准把當前區間拆成兩部分，但是最後它還是會排好序，是一個具有確定結果的演算法，只是得到結果的過程隨機。
希望能幫到你。

『陸』 有哪些隨機數演算法呢

1、數值概率演算法：用於數值問題的求解。所得到的解幾乎都是近似解，近似解的精度
隨著計算時間的增加而不斷地提高。
2、拉斯維加斯演算法（LasVegas）：要麼給出問題的正確答案，要麼得不到答案。反復求解多次，可
使失效的概率任意小。
3、蒙特卡羅演算法（MonteCarlo）：總能得到問題的答案，偶然產生不正確的答案。重復運行，每一次
都進行隨機選擇，可使不正確答案的概率變得任意小。
4、舍伍德演算法（Sherwood）：很多具有很好的平均運行時間的確定性演算法，在最壞的情況下性能很
壞。引入隨機性加以改造，可以消除或減少一般情況和最壞情況的差別。

『柒』 數據挖掘的價值有哪幾類

分為以下幾類：神經網路，遺傳演算法，回歸演算法，聚類分析演算法，貝耶斯演算法。

『捌』 概率演算法的概率

概率演算法的一個基本特徵是對所求解問題的同一實例用同一概率演算法求解兩次可能得到完全不同的效果。這兩次求解問題所需的時間甚至所得到的結果可能會有相當大的差別。一般情況下，可將概率演算法大致分為四類:數值概率演算法，蒙特卡羅（Monte Carlo）演算法，拉斯維加斯（Las Vegas）演算法和舍伍德（Sherwood）演算法。
數值概率演算法常用於數值問題的求解。這類演算法所得到的往往是近似解。而且近似解的精度隨計算時間的增加不斷提高。在許多情況下，要計算出問題的精確解是不可能或沒有必要的，因此用數值概率演算法可得到相當滿意的解。
蒙特卡羅演算法用於求問題的准確解。對於許多問題來說，近似解毫無意義。例如，一個判定問題其解為「是」或「否」，二者必居其一，不存在任何近似解答。又如，我們要求一個整數的因子時所給出的解答必須是准確的，一個整數的近似因子沒有任何意義。用蒙特卡羅演算法能求得問題的一個解，但這個解未必是正確的。求得正確解的概率依賴於演算法所用的時間。演算法所用的時間越多，得到正確解的概率就越高。蒙特卡羅演算法的主要缺點就在於此。一般情況下，無法有效判斷得到的解是否肯定正確。
拉斯維加斯演算法不會得到不正確的解，一旦用拉斯維加斯演算法找到一個解，那麼這個解肯定是正確的。但是有時候用拉斯維加斯演算法可能找不到解。與蒙特卡羅演算法類似。拉斯維加斯演算法得到正確解的概率隨著它用的計算時間的增加而提高。對於所求解問題的任一實例，用同一拉斯維加斯演算法反復對該實例求解足夠多次，可使求解失效的概率任意小。
舍伍德演算法總能求得問題的一個解，且所求得的解總是正確的。當一個確定性演算法在最壞情況下的計算復雜性與其在平均情況下的計算復雜性有較大差別時，可以在這個確定演算法中引入隨機性將它改造成一個舍伍德演算法，消除或減少問題的好壞實例間的這種差別。舍伍德演算法精髓不是避免演算法的最壞情況行為，而是設法消除這種最壞行為與特定實例之間的關聯性。

『玖』 迪傑斯演算法的數學原理是什麼有沒有比較直觀的推導

迪傑斯特拉演算法的數學原理是鬆弛迭代法，這個《演算法導論》上有講的