ฉันจะลองทำสิ่งนี้ ฉันจะใช้สัญลักษณ์ดั้งเดิมของเหยา วิธีนี้จะง่ายกว่าที่จะเปรียบเทียบกับกระดาษและคำจำกัดความของเขา
ให้เป็นชุด จำกัด ของอินพุตและให้A 0เป็นชุด จำกัด ของอัลกอริทึมกำหนดที่อาจล้มเหลวในการให้คำตอบที่ถูกต้องสำหรับอินพุตบางส่วน อนุญาตด้วยϵ ( A , x ) = 0ถ้าAให้คำตอบที่ถูกต้องสำหรับx , และϵ ( A , x ) = 1 เป็นอย่างอื่น แสดงด้วยr ( A , x )จำนวนการสืบค้นที่ทำโดยAบนอินพุตxหรือเทียบเท่าความลึกของAIA0ϵ(A,x)=0Axϵ(A,x)=1r(A,x)AxAต้นไม้ตัดสินใจของ
ค่าใช้จ่ายเฉลี่ย:ได้รับการกระจายความน่าจะเป็นบนผมที่ค่าใช้จ่ายเฉลี่ยของอัลกอริทึม∈ 0คือC ( , d ) = Σ x ∈ I d ( x ) ⋅ R ( , x )dIA∈A0C(A,d)=∑x∈Id(x)⋅r(A,x)
กระจายความซับซ้อน: Let ] สำหรับการกระจายใด ๆdปัจจัยให้β ( λ )เป็นส่วนหนึ่งของ0กำหนดโดยβ ( λ ) = { : ∈ 0 , Σ x ∈ I d ( x ) ⋅ ε ( , x ) ≤ λ }λ∈[0,1]dβ(λ)A0β(λ)={A:A∈A0,∑x∈Id(x)⋅ϵ(A,x)≤λ}. ความซับซ้อนกระจายด้วยข้อผิดพลาดสำหรับการคำนวณปัญหาPถูกกำหนดให้เป็นF 1 , λ ( P ) = สูงสุดdนาที∈ บีตา( λ ) C ( , d )λPF1,λ(P)=maxdminA∈β(λ)C(A,d)
-tolerance:λกระจายในครอบครัว 0เป็น λ -tolerant ถ้าสูงสุดx ∈ ฉัน Σ ∈ 0 Q ( ) ⋅ ε ( , x ) ≤ λqA0λmaxx∈I∑A∈A0q(A)⋅ϵ(A,x)≤λ
ค่าใช้จ่ายที่คาดว่าจะมีขั้นตอนวิธีการสุ่มให้Qจะเป็นแจกแจงความน่าจะเป็นที่λ -tolerant บน0 ค่าใช้จ่ายคาดว่าของRสำหรับการป้อนข้อมูลให้xเป็นE ( R , x ) = Σ ∈ 0 Q ( ) ⋅ R ( , x )RqλA0RxE(R,x)=∑A∈A0q(A)⋅r(A,x)
สุ่มซับซ้อน: Let ] ความซับซ้อนด้วยข้อผิดพลาดแบบสุ่มλคือF 2 , λ = นาทีR สูงสุดx ∈ ฉัน E ( R , x )λ∈[0,1]λF2,λ=minRmaxx∈IE(R,x)
ตอนนี้เราพร้อมที่จะทำธุรกิจ สิ่งที่เราต้องการพิสูจน์จะได้รับการแจกแจงในอินพุตและอัลกอริทึมแบบสุ่มR (เช่นการกระจายqบนA 0 )dRqA0
หลักการ Minimax ของ Yao สำหรับ Montecarlo Algorithms
สำหรับλ∈[0,1/2]
maxx∈IE(R,x)≥12minA∈β(2λ)C(A,d)
λ∈[0,1/2]
ฉันจะทำตามวิธีการที่กำหนดโดยFich, Meyer auf der Heide, Ragde และ Wigderson (ดูบทแทรก 4) วิธีการของพวกเขาไม่ได้ให้ลักษณะเฉพาะสำหรับอัลกอริทึมของ Las Vegas (เฉพาะขอบเขตล่าง) แต่ก็เพียงพอสำหรับวัตถุประสงค์ของเรา จากหลักฐานของพวกเขามันง่ายที่จะเห็นว่าสำหรับใด ๆและฉันA0I
เรียกร้อง 1. )maxx∈IE(R,x)≥minA∈A0C(A,d)
เพื่อให้ได้ตัวเลขที่ถูกต้องเราจะทำสิ่งที่คล้ายกัน ระบุว่าการกระจายความน่าได้รับจากการสุ่มอัลกอริทึมRคือλ -tolerant บน0เรามี
λqRλA0
λ≥maxx∈I{∑A∈A0q(A)⋅ϵ(A,x)}≥∑x∈Id(x)∑A∈A0q(a)⋅ϵ(A,x)=∑A∈A0q(a)∑x∈Id(x)⋅ϵ(A,x)≥minA∈A0{∑x∈Id(x)⋅ϵ(A,x)}.
If we replace the family
A0 with
β(2λ) we see that
λ≥maxx∈I{∑A∈A0q(A)⋅ϵ(A,x)}≥maxx∈I⎧⎩⎨∑A∈β(2λ)q(A)⋅ϵ(A,x)⎫⎭⎬≥∑x∈Id(x)∑A∈β(2λ)q(a)⋅ϵ(A,x)=∑A∈β(2λ)q(a)∑x∈Id(x)⋅ϵ(A,x)≥minA∈β(2λ){12∑x∈Id(x)⋅ϵ(A,x)},
where the second inequality follows because β(2λ)⊆A0, and the last inequality is given by the definition of β(2λ) where the summation divided by 2 cannot be greater than λ. Hence,
maxx∈I{∑A∈A0q(A)⋅ϵ(A,x)}≥12minA∈β(2λ){∑x∈Id(x)⋅ϵ(A,x)}.
By noting that ϵ maps to {0,1} and r maps to N and Claim 1 above, now we can safely replace the function ϵ in the inequality above by r(A,x) to obtain the desired inequality.