การแสดงให้เห็นถึงการวิเคราะห์เชิงกรณีที่เลวร้ายที่สุดกับนักวิทยาศาสตร์


22

ฉันได้ทำงานเกี่ยวกับการแนะนำผลลัพธ์บางอย่างจากความซับซ้อนในการคำนวณในชีววิทยาเชิงทฤษฎีโดยเฉพาะอย่างยิ่งวิวัฒนาการและนิเวศวิทยาโดยมีเป้าหมายที่จะเป็นที่น่าสนใจ / มีประโยชน์ต่อนักชีววิทยา หนึ่งในปัญหาที่ใหญ่ที่สุดที่ฉันต้องเผชิญคือการพิสูจน์ถึงประโยชน์ของการวิเคราะห์กรณีที่เลวร้ายที่สุดสำหรับซีมโทติคสำหรับขอบเขตที่ต่ำกว่า มีการอ้างอิงความยาวของบทความใดบ้างที่แสดงถึงขอบเขตที่ต่ำกว่าและการวิเคราะห์กรณีที่แย่ที่สุดสำหรับผู้ชมเชิงวิทยาศาสตร์?

ฉันกำลังมองหาการอ้างอิงที่ดีที่ฉันสามารถเลื่อนในการเขียนของฉันแทนที่จะต้องผ่านการพิสูจน์ในพื้นที่ จำกัด ที่ฉันมีอยู่ (เนื่องจากไม่ใช่จุดศูนย์กลางของบทความ) ฉันรับรู้ถึงประเภทและกระบวนทัศน์การวิเคราะห์อื่น ๆ ด้วยดังนั้นฉันจึงไม่ต้องการการอ้างอิงที่ระบุว่ากรณีที่เลวร้ายที่สุดคือการวิเคราะห์ "ดีที่สุด" (เนื่องจากมีการตั้งค่าเมื่อไม่ได้เป็นอย่างมาก) แต่มันไม่ใช่ ไร้ประโยชน์ completeletely: ก็ยังสามารถทำให้เรามีข้อมูลเชิงลึกที่มีประโยชน์ในทางทฤษฎีในเรื่องของพฤติกรรมของจริงขั้นตอนวิธีการในการที่เกิดขึ้นจริงปัจจัยการผลิต มันก็เป็นสิ่งสำคัญเช่นกันการเขียนมีเป้าหมายอยู่ที่นักวิทยาศาสตร์ทั่วไป และไม่ใช่แค่วิศวกรนักคณิตศาสตร์หรือนักวิทยาศาสตร์คอมพิวเตอร์

ตัวอย่างเรียงความของ Tim Roughgarden ที่นำเสนอทฤษฎีความซับซ้อนให้กับนักเศรษฐศาสตร์นั้นเป็นสิ่งที่ถูกต้องสำหรับสิ่งที่ฉันต้องการ แต่เพียงส่วนที่ 1 และ 2 มีความเกี่ยวข้อง (ส่วนที่เหลือเป็นเกินไปเศรษฐศาสตร์ที่เฉพาะเจาะจง) และผู้ชมที่เป็นบิตที่สะดวกสบายมากขึ้นกับความคิดทฤษฎีบท-แทรกหลักฐานกว่านักวิทยาศาสตร์ส่วนใหญ่ [1]


รายละเอียด

ในบริบทของพลวัตที่ปรับได้ในวิวัฒนาการฉันได้พบกับการต่อต้านสองประเภทจากนักชีววิทยาเชิงทฤษฎี:

[A] "ทำไมฉันถึงต้องสนใจพฤติกรรมสำหรับการปกครองโดยพลการฉันรู้แล้วว่าจีโนมมีคู่เบส (หรืออาจจะเป็นยีน) และไม่มีอีกแล้ว"n = 3 10 9 n = 2 10 4nn=3* * * *109n=2* * * *104

นี่เป็นเรื่องง่ายที่จะปัดออกด้วยการโต้แย้งของ "เราสามารถจินตนาการรอวินาที แต่ไม่ใช่ " แต่ข้อโต้แย้งที่ซับซ้อนกว่านี้อาจบอกว่า "แน่นอนคุณบอกว่าคุณสนใจเฉพาะเท่านั้น แต่ทฤษฎีของคุณไม่เคยใช้ความจริงพวกเขาแค่ใช้ว่ามันมีขนาดใหญ่ แต่มี จำกัด และเป็นทฤษฎีของคุณที่เรากำลังศึกษาด้วย การวิเคราะห์เชิงเส้นกำกับ ".2 10 9 n1092109n

[B] "แต่คุณแสดงให้เห็นว่านี่เป็นเรื่องยากโดยการสร้างภูมิทัศน์ที่เฉพาะเจาะจงด้วยแกดเจ็ตเหล่านี้ทำไมฉันจึงควรใส่ใจเรื่องนี้แทนที่จะเป็นค่าเฉลี่ย"

นี่เป็นคำวิจารณ์ที่ยากยิ่งกว่าสำหรับที่อยู่เนื่องจากเครื่องมือจำนวนมากที่คนทั่วไปใช้ในสาขานี้มาจากฟิสิกส์เชิงสถิติซึ่งมักจะปลอดภัยที่จะรับการแจกแจงแบบสม่ำเสมอ แต่ชีววิทยาคือ "ฟิสิกส์กับประวัติศาสตร์" และเกือบทุกอย่างไม่สมดุลหรือ 'ปกติ' และความรู้เชิงประจักษ์ไม่เพียงพอเพื่อปรับสมมติฐานเกี่ยวกับการแจกแจงผ่านอินพุต กล่าวอีกนัยหนึ่งฉันต้องการอาร์กิวเมนต์ที่คล้ายกับที่ใช้กับการวิเคราะห์ค่าเฉลี่ยกรณีแจกแจงแบบสม่ำเสมอในวิศวกรรมซอฟต์แวร์: "เราจำลองอัลกอริธึมเราไม่สามารถสร้างแบบจำลองที่สมเหตุสมผลว่าผู้ใช้จะโต้ตอบกับอัลกอริทึมหรือการบิดเบือนอย่างไร ของอินพุตจะเป็นสำหรับนักจิตวิทยาหรือผู้ใช้งานไม่ใช่เรา " ยกเว้นในกรณีนี้วิทยาศาสตร์ไม่ได้อยู่ในตำแหน่งที่เทียบเท่า 'นักจิตวิทยาหรือผู้ใช้ปลายทาง' ที่มีอยู่เพื่อหาการแจกแจงพื้นฐาน (หรือถ้านั่นมีความหมาย)

หมายเหตุและคำถามที่เกี่ยวข้อง

  1. การเชื่อมโยงกล่าวถึงวิทยาศาสตร์พุทธิปัญญา แต่ความคิดมีความคล้ายคลึงกันในทางชีววิทยา หากคุณเรียกดูผ่านEvolutionหรือJournal of Theoretical Biologyคุณจะไม่ค่อยเห็นทฤษฎีบท - บทแทรก - บทพิสูจน์และเมื่อคุณทำมันมักจะเป็นเพียงการคำนวณแทนสิ่งที่ต้องการพิสูจน์การดำรงอยู่หรือการก่อสร้างที่ซับซ้อน
  2. กระบวนทัศน์สำหรับการวิเคราะห์ความซับซ้อนของอัลกอริทึม
  3. การวิเคราะห์เวลาทำงานประเภทอื่นนอกเหนือจากกรณีเลวร้ายที่สุดกรณีเฉลี่ยหรือไม่?
  4. นิเวศวิทยาและวิวัฒนาการผ่านเลนส์อัลกอริทึม
  5. ทำไมนักเศรษฐศาสตร์ควรใส่ใจเกี่ยวกับความซับซ้อนในการคำนวณ

23
พฤติกรรมกรณีที่เลวร้ายที่สุดเป็นไปไม่ได้ที่จะพิสูจน์ ... อัลกอริธึมเริมมีพฤติกรรมเลวร้ายแบบเอกซ์โพเนนเชียลและคนเดียวที่เคยดูแลคือนักทฤษฎี สิ่งที่คุณต้องใช้ในการโต้แย้งคือ (a) พฤติกรรมเชิงซีมิโทติคที่มีขนาดตัวพิมพ์เล็กและใหญ่เป็นเรื่องสำคัญ (b) พฤติกรรม asymptotic เฉลี่ยกรณีและพฤติกรรม asymptotic กรณีที่เลวร้ายที่สุดมักจะคล้ายกัน; (c) พฤติกรรม asymptotic กรณีที่เลวร้ายที่สุดมักจะง่ายต่อการคำนวณมากกว่าพฤติกรรม asymptotic เฉลี่ยกรณี (โดยเฉพาะอย่างยิ่งเนื่องจากไม่มีใครรู้ว่าการกระจายความน่าจะเป็นที่เกี่ยวข้องคืออะไร)
Peter Shor

5
Asymptotics เป็นปัญหาอยู่แล้ว เราทุกคนรู้เรื่องราวเกี่ยวกับอัลกอริธึมการคูณเมทริกซ์ (ขอบเขตที่ไม่มีความหมายในทางปฏิบัติในทางปฏิบัติ) และบางทีอาจเป็นเรื่องราวเกี่ยวกับการเลือกพารามิเตอร์ในการเข้ารหัส หากการวิเคราะห์ของคุณมีค่าคงที่ตามจริงมันก็น่าเชื่อถือมากขึ้น
Yuval Filmus

6
หากคุณคิดเกี่ยวกับการคำนวณเป็นเกม (เช่นสงคราม) ระหว่างผู้ให้บริการอินพุตและอัลกอริธึมการวิเคราะห์กรณีที่เลวร้ายที่สุดคือวิธีการทางทหารมาตรฐาน - คุณต้องการทราบว่ามันเลวร้ายเพียงใด ประการที่สองและที่สำคัญกว่านั้นการวิเคราะห์กรณีที่เลวร้ายที่สุดไม่อนุญาตให้คุณขี้เกียจทางสติปัญญาและยอมรับวิธีแก้ปัญหาที่อาจดีต่อสิ่งที่คุณเชื่อว่าโลกเป็น (และไม่ใช่สิ่งที่โลกเป็นจริง) ท้ายที่สุดและที่สำคัญที่สุดมันเป็นวิธีที่เหมือนกันในการเปรียบเทียบอัลกอริทึมด้วยวิธีที่มีความหวัง ในระยะสั้นมันเป็นวิธีที่เลวร้ายที่สุดยกเว้นสำหรับคนอื่น ๆ ทั้งหมด
Sariel Har-Peled

6
ฉันคิดว่าขอบเขตล่างที่แย่ที่สุดควรจะถูกมองว่าเป็นการเอาบอลกลับเข้าสนาม คุณแสดงให้เห็นว่าไม่มีอัลกอริทึมที่สามารถแก้ปัญหาได้ในทุกกรณีในกรอบเวลาที่เหมาะสม พวกเขาอาจมีเหตุผลเชื่อว่าอินสแตนซ์ของพวกเขานั้นง่าย - แต่คุณเพิ่งแสดงให้เห็นว่าถ้าเป็นเช่นนั้นมันเป็นความจริงที่ไม่สำคัญ แบบจำลองของพวกเขาจึงไม่สมบูรณ์เว้นแต่จะมีคำอธิบายว่าทำไมจึงเป็นเช่นนี้
Aaron Roth

3
(นี่คือวิธีการที่ดูเหมือนว่าจะใช้งานได้เมื่อพูดคุยกับนักทฤษฎีเกมมันทำให้เกิดคำถาม - ถ้าตลาดมีความสมดุลอย่างรวดเร็วจริง ๆ - ตลาดอสังหาริมทรัพย์ใดที่มีความพิเศษที่ทำให้เกิดความแข็งกระด้างในกรณีที่เลวร้ายที่สุด? คุณสมบัติดังกล่าวและขอบเขตที่ต่ำกว่าเพียงแค่แนะนำว่าการทำเช่นนั้นเป็นทิศทางการวิจัยที่สำคัญ)
Aaron Roth

คำตอบ:


8

ส่วนบุคคลของฉัน (และลำเอียง) คือการวิเคราะห์เชิงกรณีที่เลวร้ายที่สุดของ asymptotic เป็นขั้นตอนที่สำคัญในอดีตสำหรับการวิเคราะห์ที่มีประโยชน์มากกว่า ดังนั้นจึงเป็นเรื่องยากที่จะแสดงให้เห็นถึงผู้ปฏิบัติงาน

การพิสูจน์ขอบเขตสำหรับกรณีที่เลวร้ายที่สุดมักจะง่ายกว่าการพิสูจน์ขอบเขตสำหรับคำจำกัดความที่ "ดี" ของกรณีทั่วไป การวิเคราะห์เชิง asymptotic มักจะง่ายกว่าการพิสูจน์ขอบเขตที่แน่นพอสมควร การวิเคราะห์เชิงซีมโทติคที่แย่ที่สุดจึงเป็นจุดเริ่มต้นที่ดี

งานของ Daniel Spielman และ Shanghua Teng ในการวิเคราะห์ Simplex อย่างเรียบง่ายดูเหมือนว่าจะเป็นสิ่งที่สามารถเกิดขึ้นได้เมื่อเราเริ่มที่จะเข้าใจรูปร่างของปัญหาได้ดีขึ้น: การแก้ปัญหากรณีที่แย่ที่สุดก่อนจะช่วยให้ความเข้าใจที่เหมาะสมยิ่งขึ้น พัฒนา เพิ่มเติมตามที่ Aaron Roth แนะนำไว้ในความคิดเห็นหากพฤติกรรม "ปกติ" ของระบบนั้นแตกต่างอย่างมากจากกรณีที่แย่ที่สุดระบบก็ยังไม่ได้ระบุอย่างสมบูรณ์และจำเป็นต้องมีการทำงานมากขึ้นเพื่อปรับปรุงตัวแบบ ดังนั้นการไปไกลกว่ากรณีที่เลวร้ายที่สุดโดยทั่วไปดูเหมือนจะสำคัญเป็นเป้าหมายระยะยาว

เท่าที่มีการวิเคราะห์เชิงซีโมติคมันมักจะทำหน้าที่เก็บหลักฐานที่ยาวนานและยุ่งเหยิงชัดเจนของรายละเอียดที่รบกวน น่าเสียดายที่ในปัจจุบันดูเหมือนจะไม่มีทางที่จะให้รางวัลแก่งานที่น่าเบื่อของการกรอกรายละเอียดเพื่อรับค่าคงที่ที่แท้จริง (ขีด จำกัด ของหน้ายังทำงานกับสิ่งนี้ด้วย) การวิเคราะห์อย่างละเอียดเกี่ยวกับรายละเอียดของขอบเขตแบบอะซิมโทติคนำไปสู่อัลกอริทึมจริงโดยมีขอบเขตที่ดีในค่าคงที่ดังนั้นฉันจึงอยากดูงานประเภทนี้มากกว่า บางทีหากมีการพิสูจน์เพิ่มเติมอย่างเป็นทางการโดยใช้ระบบผู้ช่วยพิสูจน์แล้วค่าคงที่สามารถประมาณได้โดยใช้ความพยายามเพิ่มเติมน้อยลง (หรือขอบเขตของค่าคงที่ตามแนวของ Gowers สำหรับขอบเขตSzemerédiปกติ Lemma อาจกลายเป็นกิจวัตรมากขึ้น) นอกจากนี้ยังมีวิธีการพิสูจน์ขอบเขตล่างที่เป็นอิสระจากค่าคงที่ โดยใช้โมเดลเครื่องที่ชัดเจนยิ่งขึ้น (เช่นออโตมาตา จำกัด ขอบเขตที่กำหนดไว้ล่วงหน้า) อย่างไรก็ตามขอบเขตที่ต่ำกว่าเช่น (ใกล้ -) ที่แน่นอนสำหรับการคำนวณแบบทั่วไปที่มากกว่านั้นอาจต้องใช้งานจำนวนมากหรืออยู่ไกลเกินเอื้อม สิ่งนี้ดูเหมือนจะถูกติดตามใน ~ 1958–73 ในช่วงที่รุ่งเรืองที่สุดของทฤษฎีออโตมาตะ แต่เท่าที่ฉันสามารถบอกได้ตั้งแต่ส่วนใหญ่ถูกทิ้งไว้ตามลำพัง

O(nk)


ฉันไม่ได้แบ่งปันความกระตือรือร้นของคุณในการทำซีมโทติคในขอบเขตที่แม่นยำกับค่าคงที่ที่แน่นอน Asymptotics อาจไม่แน่ชัด - แต่มันไม่แน่ชัดอย่างเป็นประโยชน์ พวกเขาสรุปความแตกต่างของการใช้งานสำหรับเครื่องรุ่นเดียวกัน เช่นอัลกอริทึมการเรียงลำดับที่เป็นกำลังสองบนฮาร์ดแวร์ในปี 1950 จะยังคงเป็นกำลังสองบนฮาร์ดแวร์ของวันนี้ นอกจากนี้สูตร asymptotic เขียนเป็นอย่างดี Linears และ polynomials ถูกปิดภายใต้องค์ประกอบเช่น (โปรดทราบว่าการโต้แย้งเพื่อขอบเขตที่ดีกว่าในกรณีทั่วไปเมื่อเทียบกับกรณีที่เลวร้ายที่สุดคือ orthogonal จากการโต้เถียงกับ asymptotics)
brandjon

โดยทั่วไปแล้วคุณมีสิทธิ แต่มีความแตกต่างใหญ่ระหว่างค่าคงที่ขนาดเล็กและหนึ่งที่เป็นฟังก์ชั่นที่ไม่ใช่ระดับประถมศึกษาของพารามิเตอร์ที่เกี่ยวข้อง
András Salamon

ฉันชอบคำตอบนี้โดยรวม แต่ฉันเห็นด้วยกับ @brandjon ว่าการซ่อนค่าคงที่นั้นสำคัญมาก สำหรับฉันเหตุผลที่ TCS มีประโยชน์ในด้านชีววิทยาก็คือเพราะมันต้องการสมมติฐานที่น้อยกว่าเกี่ยวกับพลศาสตร์ของฟิสิกส์มากกว่าฟิสิกส์ อย่างไรก็ตามหากคุณไม่ได้ตั้งสมมติฐานเกี่ยวกับการเปลี่ยนแปลงขนาดเล็ก (เช่นสเปคที่แน่นอนของรูปแบบการคำนวณ) จากนั้นคุณจะไม่สามารถรับปัจจัยคงที่ได้ คุณสมบัติที่มีประโยชน์อื่น ๆ ของ TCS คือการแบ่งขั้วเชิงคุณภาพอย่างเข้มงวด (สิ่งที่ง่ายต่อการเปรียบเทียบกับการสังเกตเชิงคุณภาพเพิ่มเติมในทางชีวภาพ) โดยทั่วไปแล้วเพื่อให้ได้สิ่งเหล่านี้คุณต้องมีค่าคงที่
Artem Kaznatcheev

O~(nO~(1/ε))

1
ในฐานะที่เป็นบันทึกด้านข้างมีตัวอย่างที่การวิเคราะห์กรณีที่แย่ที่สุดนั้นสมเหตุสมผล ตัวอย่างเช่นเมื่อคุณพัฒนาไลบรารีของรูทีนย่อยวัตถุประสงค์ทั่วไปและไม่ทราบว่าโดเมนแอปพลิเคชันใดที่พวกเขาจะมีประโยชน์: คุณไม่สามารถคาดการณ์ได้ทุกกรณีเกี่ยวกับเวลาและสาเหตุที่ใครบางคนต้องการคำนวณการจับคู่ bipartite ต้นทุนต่ำสุด การตั้งค่าของคู่ต่อสู้เช่นการเข้ารหัสมีความชัดเจนมากขึ้น (อย่างไรก็ตามใน crypto คุณต้องการทราบค่าคงที่เมื่อพูดถึงพารามิเตอร์ความปลอดภัย)
Sasho Nikolov

4

ขอบเขตที่ต่ำกว่าและการวิเคราะห์กรณีที่เลวร้ายที่สุดมักจะไม่ไปด้วยกัน คุณไม่ได้บอกว่าอัลกอริทึมจะใช้เวลาอย่างน้อยเป็นอย่างมากในกรณีที่เลวร้ายที่สุดดังนั้นมันจึงไม่ดี คุณบอกว่าอาจใช้เวลาเชิงเส้นมากที่สุดในกรณีที่เลวร้ายที่สุดและดังนั้นจึงเป็นสิ่งที่ดี อดีตจะมีประโยชน์ก็ต่อเมื่อคุณจะเรียกใช้อัลกอริทึมของคุณกับอินพุตที่เป็นไปได้ทั้งหมดและไม่ใช่เพียงอินพุตเฉลี่ย

หากคุณต้องการใช้ขอบเขตที่ต่ำกว่าเพื่อแสดงความไม่ดีคุณต้องมีการวิเคราะห์ที่ดีที่สุดหรือการวิเคราะห์โดยเฉลี่ย คุณสามารถทำให้สิ่งต่าง ๆ ง่ายขึ้นโดยอาศัยจุดของ @ PeterShor ที่แย่ที่สุดและโดยเฉลี่ยมักจะคล้ายกันมากและให้อัลกอริทึมรายการซักผ้าซึ่งสิ่งนี้เป็นจริง (เช่นคลาสสิกทุกประเภทนอกเหนือจาก quicksort)

สำหรับการแสดงให้เห็นว่า asymptotics มีความสำคัญเมื่อเทียบกับปัจจัยการผลิตที่คงที่และปัจจัยคงที่บทความที่ฉันโปรดปรานในหัวข้อนี้คือ "Programming pearls: เทคนิคการออกแบบอัลกอริทึม" ของ Jon Bentley เขานำเสนอการแก้ปัญหาที่แตกต่างกันสี่แบบสำหรับปัญหาการจัดเรียงอย่างง่ายและแสดงให้เห็นว่าวิธีการเชิงเส้นทำลายล้างลูกบาศก์หนึ่งอย่างไร เขาเรียกโต๊ะของเขาว่า "การปกครองแบบเผด็จการของ Asymptotics" หลังจากคำที่ใช้โดยนักฟิสิกส์เพื่อความสามารถในการหย่านมของสมการจรวด ฉันใช้ตัวอย่างนี้เพื่อกระตุ้นการค้นหาอัลกอริธึมที่ดีกว่าสำหรับนักเรียนระดับก่อนวัยเรียน

นักวิทยาศาสตร์ที่ไม่ใช่คอมพิวเตอร์จะอ่านบทความที่มีรหัสและรู้ว่าจะข้ามรายละเอียดในระดับต่ำเพื่อให้ได้ภาพรวมไหม ฉันไม่รู้ อาจมีการนำเสนอที่ดีกว่าที่อื่น แต่ฉันคิดว่านี่เป็นทรัพยากรที่เหมาะสมสำหรับการอ้างอิง

และถ้าพวกเขาโต้แย้งว่าพวกเขาไม่สนใจเกี่ยวกับ n ขนาดใหญ่โดยพลการพวกเขาเรียกใช้ Fibonacci ที่ไม่ได้บันทึกซ้ำบนคู่ฐาน3 * 10 9และบอกพวกเขาว่ามันเป็น O (1) เนื่องจากขนาดของลำดับดีเอ็นเอถูกแก้ไข ;)


1
ฉันชอบตัวอย่าง
Suresh Venkat

3
Re: ย่อหน้าแรกของคุณ: จริงๆแล้วมันเป็นสิ่งที่ทฤษฎีความซับซ้อนมากมายทำ หากปัญหา EXP เสร็จสมบูรณ์นั่นหมายความว่าต้องใช้เวลาเอ็กซ์โพเนนเชียลในอินพุตที่แย่ที่สุด โดยทั่วไปแล้วสิ่งนี้เป็นข้อบ่งชี้ถึงความยากลำบากโดยรวมของมัน (ซึ่งในทางปฏิบัติในทางปฏิบัติมักไม่ได้เลวร้ายเท่าตัวบ่งชี้ทั่วไป) นี่คือมาตรฐานพฤตินัยเรียกว่า "ขอบเขตอนันต์ - บ่อย" หรือ io ขอบเขตล่าง; การได้รับกรณีเฉลี่ยหรือเกือบทุกที่ในขอบเขตที่ต่ำกว่า (นั่นคือสำหรับทุกคน แต่มีจำนวน จำกัด ) เป็นเป้าหมายที่บางครั้ง แต่บ่อยครั้งที่ไกลเกินเอื้อมเมื่อเทียบกับ io ขอบเขตที่ต่ำกว่า
Joshua Grochow

2
ให้ฉันชี้ให้เห็นว่าไม่เพียง แต่คุณสามารถให้รายการอัลกอริทึมสำหรับการซักผ้าที่การวิเคราะห์ตัวพิมพ์เล็กและใหญ่โดยเฉลี่ยเหมือนกัน แต่คุณยังสามารถให้ตัวอย่างมากมายที่พวกมันต่างกันมาก ของเหล่านี้). คุณต้องเถียงว่าพวกเขาเหมือนกันสำหรับแอปพลิเคชันของคุณโดยเฉพาะ การทดสอบทดสอบเป็นวิธีที่ดีในการทำเช่นนี้
Peter Shor

1
@JoshuaGrochow ยุติธรรมเพียงพอ วิธีที่เราจะแก้ไขคำแถลงดังต่อไปนี้: ขอบเขตที่ต่ำกว่าในกรณีที่เลวร้ายที่สุดมีความสำคัญเมื่อคุณต้องการแสดงให้เห็นว่าไม่มีการรับประกันทางคณิตศาสตร์เกี่ยวกับความไม่น่ากลัว ;)
brandjon

-3

เห็นด้วยมากว่าเรื่องนี้เป็นหัวข้อสำคัญในการสำรวจ / ปกปิด แต่ดูเหมือนว่ายังไม่ได้มากนัก ไม่กี่คนที่อ้างถึงสไตล์ / ความครอบคลุม / ผู้ชม / พิธีการที่แตกต่างกันไม่ตรงตามที่ร้องขอ แต่ค่อนข้างใกล้ (เห็นได้ดีที่สุดออนไลน์จนถึงขณะนี้ในการค้นหาระดับกลางหวังว่าจะได้ยินเพิ่มเติมเกี่ยวกับสิ่งที่ดีกว่า;

  • ความซับซ้อนของอัลกอริธึม Atkinson (อนิจจาเพียงคนเดียวที่อ้างถึงชีววิทยาในกระดาษ แต่อาจพอเพียงกับวิทยาศาสตร์ / วิศวกรรมทั่วไปข้อตกลง)

    ทฤษฎีสมัยใหม่ของอัลกอริทึมนั้นมาจากช่วงปลายทศวรรษที่ 1960 เมื่อมีการเริ่มใช้วิธีการวัดเวลาในการดำเนินการแบบซีมโทติค มันเป็นที่ถกเถียงกันอยู่ว่าเรื่องนี้มีทั้งฝ่ายวิศวกรรมและนักวิทยาศาสตร์ ปีกวิศวกรรมประกอบด้วยวิธีการออกแบบที่เข้าใจกันดีในขณะที่ปีกนักวิทยาศาสตร์เกี่ยวข้องกับการวางรากฐานทางทฤษฎี สำรวจประเด็นสำคัญของปีกทั้งสองข้าง ในที่สุดความคิดเห็นส่วนตัวบางส่วนเกี่ยวกับเรื่องที่จะไปต่อไปจะแสดงให้เห็น

  • ความซับซ้อนและอัลกอริทึม J. Diaz 100 สไลด์ กว้าง; หนึ่งอาจตัดตอนมาคนที่เกี่ยวข้องโดยเฉพาะอย่างยิ่ง

  • ความรู้เบื้องต้นเกี่ยวกับอัลกอริธึมการวิเคราะห์ความซับซ้อนแบบอ่อนโยน

กล่าวอีกนัยหนึ่งคือมีการแนะนำ / สำรวจ / ภาพรวมของเลนส์เชิงทฤษฎีที่ซับซ้อนในการผสมผสานอย่างใกล้ชิด / ร่วม / ร่วมกับเลนส์อัลกอริทึมที่ก้าวหน้าในวิทยาศาสตร์บางอย่างเช่น"ทฤษฎีความซับซ้อนสำหรับนักวิทยาศาสตร์วิศวกรและนักวิจัย" ?

มี refs ที่ดีในอดีต "อัลกอริทึมเลนส์" คุณได้อ้างถึงเช่นPapadimitriouแต่ก็ดูเหมือนจะไม่ได้อ้างอิงที่น่าพอใจอย่างมากโดยผู้เชี่ยวชาญในสาขาที่ได้รับการเขียนลงบนหลัง "เลนส์ซับซ้อน" ... เลย (บางทีบาง"Elite "สมาชิกของไซต์นี้จะถือว่าเป็นหนังสือเล่มต่อไปหรือโครงการกระดาษ)

หมายเหตุยังมีจำนวนมากอ้างอิงเกี่ยวกับความสัมพันธ์ P vs NP นอกทฤษฎีความซับซ้อนและในสาขาวิทยาศาสตร์อื่น ๆ ที่สามารถนำมาใช้ค่อนข้างเพื่อวัตถุประสงค์เหล่านี้ จะเพิ่มพวกเขาในความคิดเห็นหากมีความสนใจใด ๆ


3
ฉันไม่คิดว่านี่เป็นคำตอบที่แท้จริง
Huck Bennett

1
เอ่อฮะคุณก็มองไปที่ใด ๆของ refs หรือไม่ ส่วนคำตอบของฉันคือว่ามีไม่ได้(ยัง)ใด ๆ ที่เหมาะ / คำตอบที่สมบูรณ์แบบ: |
vzn

1
ดูเหมือนว่าพวกเขาจะนิยามการวิเคราะห์กรณีที่เชิงซีมโทติคและแย่ที่สุดแทนที่จะมุ่งเน้นที่การให้เหตุผล แต่ฉันอาจพลาดอะไรบางอย่าง?
Huck Bennett

7
อันที่จริงฉันคิดว่านักวิจัยนอก TCS สามารถยกเลิกกรณีที่เลวร้ายที่สุดได้อย่างง่ายดายเพราะ "ตัวอย่างที่สร้างขึ้นเทียมที่ไม่เคยเกิดขึ้นในทางปฏิบัติ" และจะ (โดยไม่ต้องเชื่ออย่างแรง) อย่างอื่นให้ความสนใจในคดีโดยเฉลี่ย ค่าเฉลี่ยกรณีนั้นใกล้เคียงกับอินสแตนซ์โลกแห่งความจริงมาก)
Joshua Grochow

1
@vzn: Asymptotic (เช่น big-Oh) และกรณีที่แย่ที่สุดนั้นค่อนข้างตั้งฉาก เราสามารถทำการวิเคราะห์กรณีที่แย่ที่สุดของ asymptotic, การวิเคราะห์ asymptotic เฉลี่ย - case หรือแม้กระทั่ง asymptotic analysis -case ที่ง่ายที่สุด (แม้ว่าฉันยอมรับว่าหลังดูเหมือนว่าค่อนข้างผิดปกติ) เราสามารถทำการวิเคราะห์กรณีที่เลวร้ายที่สุดหรือการวิเคราะห์ค่าเฉลี่ยที่แน่นอนและอื่น ๆ ถึงแม้ว่าสิ่งเหล่านี้จะขึ้นอยู่กับรูปแบบมากขึ้นและแข็งแกร่งน้อยลง การใช้เหตุผลเชิง asymptotics (และการซ่อนสิ่งต่าง ๆ เช่นปัจจัยคงที่) นั้นแตกต่างอย่างสิ้นเชิงจากเหตุผลที่เลวร้ายที่สุดเทียบกับกรณีเฉลี่ยหรือกรณี "จริง -" (กรณีหลังอาจหมายถึง ... )
Joshua Grochow
โดยการใช้ไซต์ของเรา หมายความว่าคุณได้อ่านและทำความเข้าใจนโยบายคุกกี้และนโยบายความเป็นส่วนตัวของเราแล้ว
Licensed under cc by-sa 3.0 with attribution required.