Randomisierte Algorithmen

1. Randomisierte Algorithmen

Def.: Algorithmen, die bei Entscheidung oder bei der Wahl der Parameter Zufallszahlen benutzen

Bsp.: Lösen des K-SAT-Problems durch RA

   geg.: logischer Ausdruck in K-CNF (n Variablen, m Klauseln, k Variablen pro Klausel)

   $\underbrace {\underbrace {\left(x_{1}\vee x_{3}\vee ...\right)} _{k\;Variablen}\wedge \left(x_{2}\vee x_{4}\vee ...\right)} _{m\;Klauseln}$

   for i in range (trials):    #Anzahl der Versuche
        #Bestimme eine Zufallsbelegung des $\{x_{i}\}$:
        for j in range (steps):
              if $\{x_{i}\}$ erfüllt alle Klauseln: return $\{x_{i}\}$
              #wähle zufällig eine Klausel, die nicht erfüllt ist und negiere zufällig eine der Variablen in dieser Klausel 
              (die Klausel ist jetzt erfüllt)
   return None

Eigenschaft: falls $k>2$ : steps *trials $\in O\left(\mathrm {A} ^{n}\right)\mathrm {A} >1$

z.B. $k=3$ steps=3*n, trials=$\left({\frac {4}{3}}\right)^{n}$

aber: bei $k=2$ sind im Mittel nur steps=$O\left(n^{2}\right)$ nötig, trials=$O\left(1\right)$

---

-Zufallsbelegung hat $t\leq n$ richtige Variablen (im Mittel $t\approx {\frac {n}{2}}$)

Negieren einer Variable ändert t um 1, u.Z. $t\rightarrow t+1$ mit Wahrscheinlichkeit ${\frac {1}{2}}$ ::(für beliebiges k: ${\frac {1}{k}}$)

$t\rightarrow t-1$ mit Wahrscheinlichkeit ${\frac {1}{2}}$ ::(für beliebiges k: ${\frac {k-1}{k}}$)

-Wieviele Schritte braucht man im Mittel, um zu einer Lösung mit t Richtigen zu kommen?

      $S\left(t\right)={\frac {1}{2}}S\left(t-1\right)+{\frac {1}{2}}S\left(t+1\right)+1$
      
      $S\left(n\right)=0$    #Abbruchbedingung der Schleife
      
      $S\left(0\right)=S\left(1\right)+1\Longrightarrow S\left(t\right)=n^{2}-t^{2}$

      Probe: $S\left(n\right)=n^{2}-n^{2}=0$ 
                 
             $S\left(0\right)=n^{2}-0^{2}$  
             
                  $=S\left(1\right)+1$
             
                  $\;=n^{2}-1^{2}+1$
             
                  $\;=n^{2}$
             $S\left(t\right)={\frac {1}{2}}\left(n^{2}-\left(t-1\right)^{2}\right)+{\frac {1}{2}}\left(n^{2}-\left(t+1\right)^{2}\right)+1$ 
             
                  $={\frac {1}{2}}n^{2}-{\frac {1}{2}}\left(t^{2}-2t+1\right)+{\frac {1}{2}}n^{2}-{\frac {1}{2}}$
             
                  $=\left(t^{2}+2t+1\right)$              
             
                  $\;=n^{2}-t^{2}$

Das ist das Random Walk Problem

Im ungünstigsten Fall (t=0) werden im Mittel $n^{2}$ Schritte benötigt, um durch random walk nach t=n zu gelangen.

2. RANSAC-ALGORITHMUS (Random Sample Consensus)

Aufgabe: gegeben: Datenpunkte

gesucht: Modell, das die Datenpunkte erklärt

Messpunkte:

     übliche Lösung: Methode der kleinsten Quadrate
     
     $\min _{a,b}\sum _{i}\left(ax_{i}+b+y_{i}\right)^{2}$
     
     Schulmathematik:      $Minimum{\stackrel {\wedge }{=}}Ableitung=0$

Lineares Gleichungssystem

${\frac {d}{da}}\sum {i}\left(ax_{i}+b-y_{i}\right)^{2}=\sum {i}{\frac {d}{da}}\left[ax_{i}+b-y_{i}\right)^{2}$

$f\left(g\left(x\right)\right)$

$f\left(x\right)=x^{2}$

$y\left(a\right)=ax_{i}+b-y_{i}$

$=\sum _{i}2\left(ax_{i}+b-y_{i}\right){\frac {d}{da}}\underbrace {ax_{i}+b-y_{i}} _{x_{i}}$

${\underline {=2\sum _{i}\left(ax_{i}+b-y_{i}\right)x_{i}{\stackrel {!}{=}}0}}$

$a\sum _{i}{x_{i}}^{2}+b\sum _{i}x_{i}=\sum _{i}x_{i}y_{i}$

$a\sum _{i}x_{i}+b\sum _{i}1=\sum _{i}y_{i}$

${\frac {d}{db}}\sum _{i}\left(ax_{i}+b-y_{i}\right)^{2}=2\sum _{i}\left(ax_{i}+b-y_{i}\right)*1$

---

Problem: $\epsilon \%$ der Datenpunkte sind Outlier

$\Longrightarrow$ Einfaches Anpassen des Modells an die Datenpunkte funktioniert nicht

Seien mindestens k Datenpunkte notwendig, um das Programm anpassen zu können

RANSAC-Algorithmus

     for  l in range (trials):
          wähle zufällig k Punkte aus
          passe das Modell an die k Punkte an
          zähle, wieviele Punkte in der Nähe des Modells liegen (d.h. $d_{i}<d_{m}ax$ muss geschickt gewählt werden) 
                                          #Bsp. Geradenfinden:-wähle a,b aus zwei Punkten
                                                              -berechne: $|ax_{i}+b-y_{i}|=d_{i}$
                                                              -zähle Punkt i als Inlier, falls $d_{i}<d_{m}a$
     return: Modell mit höchster Zahl der Inlier

     $trials={\frac {log\left(1-p\right)}{log\left(1-\left(1-\epsilon \right)^{k}\right)}}$  mit k=Anzahl der Datenpunkte und p=Erfolgswahrscheinlichkeit, $\epsilon$=Outlier-Anteil

Erfolgswahrscheinlichkeit: p=99%

${\begin{array}{|c||c|c|c|c|c|}Beispiel&k&\epsilon =10\%&20\%&50\%&70\%\\\hline Linie\;in\;2D&2&3&5&17&49\\Kreis\;in\;2D&3&4&7&35&169\\Ebene\;in\;3D&8&9&26&1172&70188\\\end{array}}$

Ein Spiel: Wie viel Schritte braucht man im Mittel zum Ziel?

  geg.: 5 Plätze, 2 Personen: eine Person rückt vom einem Platz zu dem enderen Platz;
        die zweite Person wirft die Münze.
        Wenn die Münze auf Kopf landet, rücke nach rechts und wenn die Münze auf Zahl landet, rücke nach links.
        <--- Zahl                                                         Kopf-->
        Kopf: /////
        Zahl: /// 

=> mit 8 Schritten bis zum Ziel

im Mittel: bei N Plätzen braucht man N² Schritte

all: mit N² Schritten um N Plätze rücken

Wie viel Schritte braucht man im Mittel zum Ziel?

        $S\left(N\right)=0$    #wenn wir uns im Stuhl Nr.1 befinden
          
        $S\left(i\right)={\frac {1}{2}}S\left(1+S\left(i+1\right)\right)+{\frac {1}{2}}S\left(1+S\left(i-1\right)\right)={\frac {1}{2}}S\left(i+1\right)+{\frac {1}{2}}S\left(i-1\right)+1$

        $S\left(0\right)=1+S\left(1\right)$    #bei 0.Platz

• Lösung:

        $S\left(i\right)=N^{2}-i^{2}$

• speziell:

        $S\left(i\right)=N^{2}$           #wenn man am ungünstigsten Platz startet

---

Beziehung zu randomisiertem 2-SAT

     "Platz $i$ ": $i$ Variablen haben den richtigen Wert,  $\left(N-i\right)$  sind falsch gesetzt

     $S\left({\frac {N}{2}}\right)=N^{2}-\left({\frac {N}{2}}\right)^{2}=N^{2}-{\frac {N}{4}}^{2}={\frac {3}{4}}N^{2}$
     $S\left({\frac {N}{2}}\right)$     # Anfangszustand

---

Las Vegas vs. Monte Carlo

  * Las Vegas - Algorithmen
    - Ergebnis ist immer korrekt.
    - Berechnung ist mit hoher Wahrscheinlichkeit effizient (d.h. Randomisierung macht den ungünstigsten Fall unwahrscheinlich).

  * Monte Carlo - Algorithmen
    - Berechnung immer effizient.
    - Ergebnis mit hoher Wahrscheinlichkeit korrekt (falls kein effizienter Algorithmus bekannt, der immer die richtige Lösung liefert).

Las Vegas	Monte Carlo
- Erzeugen einer perfekten Hashfuktion	- Algorithmus von Freiwald(Matrizenmultiplikation)
- universelles Hashing	- RANSAC
- Quick Sort mit zufälliger Wahl des Pivot-Elements	- randomisierte K-SAT(k>=3)(Alg. von Schöning)
- Treep mit zufälligen Prioritäten

Zufallszahlen

- kann man nicht mit deterministischen Computern erzeugen

- aber man kann Pseudo-Zufallszahlen erzeugen, die viele Eigenschaften von echten Zufallszahlen haben

* sehr ähnlich zum Hash

    "linear Conguential Random number generator"
       $I_{i+1}=\left(a*I_{i}+c\right)modm$
       ${\begin{array}{ll}\mathrm {=>} &I_{i}\in [0,m-1]\\\end{array}}$

-sorgfältige Wahl von a, c, m notwendig

Bsp. m = 2³²

a = 1664525, c = 1013904223

"quick and dirty generator"

Nachteile

• nicht zufällig genug für viele Anwendungen

Bsp. wähle Punkt in R³

${\begin{array}{ll}\mathrm {} &p=(rand(),rand(),rand())\\\end{array}}$

gibt Zahl u, v, w so, dass

${\begin{array}{ll}\mathrm {} &u*p[0]+v*p[1]+w*p[3]\\\end{array}}$

stark geclustert ist.

• Periodenlänge ist zu kurz:

spätestens nach m Schritten wiederholt sich die Folge

allgemein: falls der interne Zustand des Zufallsgenerators k bits hat, ist Periodenlänge:

${\begin{array}{ll}\mathrm {} &Periode<2^{k}\\\end{array}}$