【理论学习】minmax——从冯诺依曼到姚期智
本文目前仅对几个定理做记录,不详细解释,以后有机会再填坑。
Max-min Inequality
Minmax Theorem —— John von Neumann
令
则
这个二元函数的图像可以视为一个马鞍面,在鞍点处取得等号。
Yao’s Principle —— 姚期智
令
则
也即:最好的随机算法在它最差的输入上的开销 等于 最差的输入分布在最好的确定性算法上的开销。
可以看到,Yao’s Principle大概是(事实上也是)Minmax Theorem的一个特例。
这个定理有一个直接的推论,
这也是Yao’s Principle较常用到的形式。
这个推论的直接证明如下(用更清楚的期望的形式写出):
令
在经典的排序问题中,我们首先考虑确定算法的部分。
“最差的输入分布”是什么?比方说,所有的输入都是1234……这样子的递增输入(非递增输入的概率为0),那这显然是一个特别好的输入分布,因为它自己已经排好序了,在这种分布下的最佳算法就是什么也不做,开销为0。那么,直觉上,最差的输入分布应该是随机的均匀的输入之类的东西,防止先前这种非常容易利用的性质出现,此时性能最好的确定性算法的开销期望就是”最差的输入分布在最好的确定性算法上的开销“。(注意,cost是期望,那么这里的期望就是因为输入分布带来的期望)
再考虑随机算法的部分。
“最好的随机算法”是什么?比方说,完全确定也是一种随机(给某种行为分配100%的概率),那么就可以构造出一个特定的输入(注意,cost是期望,那么这里的期望就是因为随机算法的inner coin flip带来的期望,而不是输入带来的,这里的输入类似competitive ratio分析法,是特化以得到最差表现的输入),使得它表现得特别差。那么,直觉上,最好的随机算法应该需要一些”变幻莫测“的行为,使得competitive的对手构造不出什么一定特别差的输入。