Derandomisierung
This commit is contained in:
parent
72bd59a01d
commit
787ccff53f
Binary file not shown.
@ -209,7 +209,7 @@ Die hierbei verwendete Vorgehensweise einer Selbstreduktion sowie das \enquote{A
|
|||||||
\begin{equation*}
|
\begin{equation*}
|
||||||
\rho_A(I) = \max\left\{\frac{A(I)}{\opt(I)}, \frac{\opt(I)}{A(i)}\right\} \ge 1
|
\rho_A(I) = \max\left\{\frac{A(I)}{\opt(I)}, \frac{\opt(I)}{A(i)}\right\} \ge 1
|
||||||
\end{equation*}
|
\end{equation*}
|
||||||
\item Die relative worst-case-Güte von $A$ ist die Funktion
|
\item Die relative Worst-Case-Güte von $A$ ist die Funktion
|
||||||
\begin{equation*}
|
\begin{equation*}
|
||||||
\rho_A^\mathrm{wc}(n) = \max\left\{\rho_A(I)\mid I \in \mathcal{D}, \abs{i}\le n\right\}
|
\rho_A^\mathrm{wc}(n) = \max\left\{\rho_A(I)\mid I \in \mathcal{D}, \abs{i}\le n\right\}
|
||||||
\end{equation*}
|
\end{equation*}
|
||||||
@ -772,4 +772,25 @@ Es gilt offensichtlich \begin{equation*}
|
|||||||
&= \frac{3}{4}\sum_{j=1}^{m} \hat{Z}_j \ge \frac{3}{4}\cdot \opt(\Phi)
|
&= \frac{3}{4}\sum_{j=1}^{m} \hat{Z}_j \ge \frac{3}{4}\cdot \opt(\Phi)
|
||||||
\end{align*}
|
\end{align*}
|
||||||
\end{proof}
|
\end{proof}
|
||||||
|
|
||||||
|
\subsection{Derandomisierung durch die Methode der bedingten Erwartungswerte}
|
||||||
|
Die Ansätze mancher randomisierten Algorithmen können so modifiziert werden, dass sie deterministisch ein Ergebnis zurückliefern, was mindestens so gut wie der Erwartungswert des nicht-deterministischen Algorithmus ist.
|
||||||
|
Man macht sich hierbei unter anderem die Eigenschaft des randomisierten Algorithmus zu Nutze, dass der Erwartungswert auch ohne wirkliche Ausführung des Algorithmus berechenbar ist.
|
||||||
|
|
||||||
|
Der Algorithmus \algo{Derand\_$A$} benutzt den Erwartungswert für Algorithmus $A$ um nach und nach alle Variablen $x_i$ zu belegen. Für jede Variable wird einmal \textsc{True} und \textsc{False} eingesetzt, dann mit der resultierenden Formel mit höherem Erwartungswert fortgefahren:
|
||||||
|
\begin{algorithmic}[]
|
||||||
|
\For{$i = 1\dots n(I)$}
|
||||||
|
\State $W_\textsc{False} = E\left[A(I)\mid x_1,\dots,x_{i-1}, x_i = \textsc{False}\right]$
|
||||||
|
\State $W_\textsc{True} = E\left[A(I)\mid x_1,\dots,x_{i-1}, x_i = \textsc{True}\right]$
|
||||||
|
\If{$W_\textsc{False} < W_\textsc{True}$}
|
||||||
|
\State $x_i = \textsc{True}$
|
||||||
|
\Else
|
||||||
|
\State $x_i = \textsc{False}$
|
||||||
|
\EndIf
|
||||||
|
\EndFor
|
||||||
|
\State \Return $b = (x_1, \dots, x_{n(I)})$
|
||||||
|
\end{algorithmic}
|
||||||
|
\begin{satz}
|
||||||
|
Der Algorithmus \algo{Derand\_$A$} approximiert \problem{Max-SAT} mit relativer Worst-Case-Güte $\rho_{\algo{Derand\_}A} = \frac{1}{1 - \frac{1}{2^k}}$ in Polynomzeit.
|
||||||
|
\end{satz}
|
||||||
\end{document}
|
\end{document}
|
||||||
|
Loading…
Reference in New Issue
Block a user