Jump to content

Алгоритм Монте-Карло

(Перенаправлено с Двусторонней ошибки )

В вычислениях алгоритм Монте-Карло представляет собой рандомизированный алгоритм , выходные данные которого могут быть неправильными с определенной (обычно небольшой) вероятностью . Двумя примерами таких алгоритмов являются алгоритм Каргера – Штейна. [1] и алгоритм Монте-Карло для минимального набора дуг обратной связи . [2]

Название отсылает к казино Монте-Карло в Княжестве Монако , которое известно во всем мире как икона азартных игр. Термин «Монте-Карло» впервые был введен в 1947 году Николасом Метрополисом . [3]

Алгоритмы Лас-Вегаса являются аналогами алгоритмов Монте-Карло и никогда не возвращают неправильный ответ. Однако в рамках своей работы они могут делать случайный выбор. В результате затраченное время может различаться в зависимости от запуска, даже при одних и тех же входных данных.

Если существует процедура проверки правильности ответа, данного алгоритмом Монте-Карло, и вероятность правильного ответа ограничена выше нуля, то с вероятностью единица многократное выполнение алгоритма при проверке ответов в конечном итоге даст правильный ответ. . Является ли этот процесс алгоритмом Лас-Вегаса, зависит от того, считается ли остановка с вероятностью единица удовлетворяющей определению.

Односторонняя и двусторонняя ошибка

[ редактировать ]

Хотя всегда ожидается, что ответ, возвращаемый детерминированным алгоритмом, будет правильным, для алгоритмов Монте-Карло это не так. Для задач принятия решений эти алгоритмы обычно классифицируются как с ложным или истинным смещением. Алгоритм Монте-Карло с ложным смещением всегда корректен, когда возвращает false ; алгоритм с истинным смещением всегда корректен, когда возвращает true . Хотя это описывает алгоритмы с односторонними ошибками , другие могут не иметь предвзятости; Говорят, что они имеют двусторонние ошибки . Ответ, который они дают ( истинный или ложный ), будет неправильным или правильным с некоторой ограниченной вероятностью.

Например, критерий простоты Соловея-Штрассена используется для определения того, является ли данное число простым числом . Он всегда отвечает true для ввода простых чисел; для составных входов он отвечает ложно с вероятностью как минимум 1 2 и верно с вероятностью менее 1 2 . Таким образом, ложные ответы алгоритма наверняка будут правильными, тогда как истинные ответы остаются неопределенными; Говорят, что это 1/2 – правильный алгоритм с ложным смещением .

Усиление

[ редактировать ]

Для алгоритма Монте-Карло с односторонними ошибками вероятность неудачи можно уменьшить (а вероятность успеха увеличить), запустив алгоритм k раз. Рассмотрим еще раз алгоритм Соловея–Штрассена, который 1 2 -правильный ложносмещенный . Можно запустить этот алгоритм несколько раз, возвращая ложный ответ, если он достигает ложного ответа в течение k итераций, и в противном случае возвращая true . Таким образом, если число простое, то ответ всегда правильный, а если число составное, то ответ правильный с вероятностью не менее 1−(1− 1 2 ) к  = 1−2 .

Для алгоритмов принятия решения Монте-Карло с двусторонней ошибкой вероятность неудачи можно снова уменьшить, запустив алгоритм k раз и вернув мажоритарную функцию ответов.

Классы сложности

[ редактировать ]

Класс сложности BPP описывает проблемы решения , которые могут быть решены алгоритмами Монте-Карло с полиномиальным временем и ограниченной вероятностью двусторонних ошибок, а класс сложности RP описывает проблемы, которые могут быть решены алгоритмом Монте-Карло с ограниченной вероятностью единицы. Односторонняя ошибка: если правильный ответ — «ложь» , алгоритм всегда так говорит, но , он может дать неверный ответ «ложь» в некоторых случаях, когда правильный ответ — «истина» . [4] Напротив, класс сложности ZPP описывает проблемы, решаемые с помощью алгоритмов Лас-Вегаса с полиномиальным ожидаемым временем. ZPP ⊆ RP ⊆ BPP , но неизвестно, отличен ли какой-либо из этих классов сложности друг от друга; то есть алгоритмы Монте-Карло могут иметь большую вычислительную мощность, чем алгоритмы Лас-Вегаса, но это не доказано. [4] Другой класс сложности, PP , описывает проблемы принятия решений с помощью алгоритма Монте-Карло с полиномиальным временем, который более точен, чем подбрасывание монеты, но где вероятность ошибки не обязательно может быть отделена от 1 2 . [4]

Классы алгоритмов Монте-Карло и Лас-Вегаса

[ редактировать ]

Рандомизированные алгоритмы в основном делятся на два основных типа: Монте-Карло и Лас-Вегас, однако они представляют собой лишь вершину иерархии и могут быть далее классифицированы. [4]

  • Вегас
    • Шервуд — «результатный и эффективный особый случай Лас-Вегаса».
    • Численный — «цифровой Лас-Вегас».
  • Монте-Карло
    • Атлантик-Сити — «особый случай ограниченной ошибки Монте-Карло»
    • Численный - «числовая аппроксимация Монте-Карло».

«И Лас-Вегас, и Монте-Карло имеют дело с решениями, то есть с проблемами в их версии решения ». [4] «Однако это не должно создавать неправильное впечатление и ограничивать эти алгоритмы такими задачами — оба типа рандомизированных алгоритмов могут использоваться и для числовых задач, задач, где результат не является простым «да» / «нет», но где нужно получить результат, который имеет числовой характер». [4]

Сравнение алгоритмов Лас-Вегаса и Монте-Карло
Эффективность Оптимум Сбой (LV) / Ошибка (MC)
Лас-Вегас (LV) Вероятностный Определенный
Шервуд Определенный, или Шервудский вероятностный

(более сильная связь, чем обычный LV)

Определенный 0
Числовой Вероятностный, определенный или

Шервудский вероятностный

Определенный или 0
Монте-Карло (ПЦ) Определенный Вероятностный (вероятность того, что при повторных прогонах растет субэкспоненциально)

будет препятствовать полезности алгоритма; типичный случай )

Атлантик-Сити Определенный Вероятностный
Числовой Определенный Вероятностный (зависит от типа алгоритма)

Предыдущая таблица представляет собой общую структуру рандомизированных алгоритмов Монте-Карло и Лас-Вегаса. [4] Вместо математического символа можно было бы использовать , что делает вероятности в худшем случае равными. [4]

Приложения в вычислительной теории чисел и других областях.

[ редактировать ]

Хорошо известные алгоритмы Монте-Карло включают тест простоты Соловея-Штрассена, тест простоты Бэйли-ПСВ , тест простоты Миллера-Рабина и некоторые быстрые варианты алгоритма Шрайера-Симса в вычислительной теории групп .

Для алгоритмов, которые являются частью группы алгоритмов стохастической оптимизации (SO), где вероятность неизвестна заранее и определяется эмпирически, иногда возможно объединить метод Монте-Карло и такой алгоритм, «чтобы иметь как границу вероятности, рассчитанную заранее, так и компонент стохастической оптимизации». [4] «Примером такого алгоритма является Ant Inspired Monte Carlo». [4] [5] Таким образом, «недостаток SO был смягчен и установлена ​​уверенность в правильности решения». [4] [5]

См. также

[ редактировать ]
  1. ^ Каргер, Дэвид Р.; Штейн, Клиффорд (июль 1996 г.). «Новый подход к проблеме минимального разреза» . Дж. АКМ . 43 (4): 601–640. дои : 10.1145/234533.234534 . ISSN   0004-5411 . S2CID   5385337 .
  2. ^ Куделич, Роберт (01 апреля 2016 г.). «Рандомизированный алгоритм Монте-Карло для решения задачи набора дуг минимальной обратной связи». Прикладные мягкие вычисления . 41 : 235–246. дои : 10.1016/j.asoc.2015.12.018 .
  3. ^ Метрополис, Н. (1987). «Начало метода Монте-Карло» (PDF) . Los Alamos Science (специальный выпуск 1987 г., посвященный Станиславу Уламу): 125–130.
  4. ^ Jump up to: а б с д и ж г час я дж к Куделич, Роберт; Ивкович, Никола; Шмагук, Тамара (2023). Чоудри, Джиоти; Махалле, Парикшит Н.; Перумал, Тинагаран; Джоши, Амит (ред.). «Краткий обзор рандомизированных алгоритмов» . Интернет вещей с интеллектуальными системами . Сингапур: Springer Nature: 651–667. дои : 10.1007/978-981-99-3761-5_57 . ISBN  978-981-99-3761-5 .
  5. ^ Jump up to: а б Куделич, Роберт; Ивкович, Никола (2019). «Алгоритм Монте-Карло, вдохновленный муравьями, для минимального набора дуг обратной связи» . Экспертные системы с приложениями . 122 : 108–117. дои : 10.1016/j.eswa.2018.12.021 . ISSN   0957-4174 .

Источники

[ редактировать ]
Arc.Ask3.Ru: конец переведенного документа.
Arc.Ask3.Ru
Номер скриншота №: e5ada046b7a224cc267f8aad34278a8d__1719290160
URL1:https://arc.ask3.ru/arc/aa/e5/8d/e5ada046b7a224cc267f8aad34278a8d.html
Заголовок, (Title) документа по адресу, URL1:
Monte Carlo algorithm - Wikipedia
Данный printscreen веб страницы (снимок веб страницы, скриншот веб страницы), визуально-программная копия документа расположенного по адресу URL1 и сохраненная в файл, имеет: квалифицированную, усовершенствованную (подтверждены: метки времени, валидность сертификата), открепленную ЭЦП (приложена к данному файлу), что может быть использовано для подтверждения содержания и факта существования документа в этот момент времени. Права на данный скриншот принадлежат администрации Ask3.ru, использование в качестве доказательства только с письменного разрешения правообладателя скриншота. Администрация Ask3.ru не несет ответственности за информацию размещенную на данном скриншоте. Права на прочие зарегистрированные элементы любого права, изображенные на снимках принадлежат их владельцам. Качество перевода предоставляется как есть. Любые претензии, иски не могут быть предъявлены. Если вы не согласны с любым пунктом перечисленным выше, вы не можете использовать данный сайт и информация размещенную на нем (сайте/странице), немедленно покиньте данный сайт. В случае нарушения любого пункта перечисленного выше, штраф 55! (Пятьдесят пять факториал, Денежную единицу (имеющую самостоятельную стоимость) можете выбрать самостоятельно, выплаичвается товарами в течение 7 дней с момента нарушения.)