标签：采样 盒子 于是 mn 别名 mx alias 物品 method

alias method/别名算法

前言

一个在oi/acm比较少见的算法吧。。

从问题开始QAQ

有\(N(N>1)\)个物品，有属性\(d_i\),现在要平均放进\(N-1\)个盒子里，每个盒子最多存在两个物品，物品可以分割。

当N=2时。

显然两个全放进一个盒子里就行了。

当N>2时。

显然我们可以先算出每个盒子需要放多少，设其为\(K\)，于是\(\sum{d_i}=(N-1)K\)。
一共\(N\)个物品要放进\(N-1\)个盒子中，设其中\(d_i\)的最大值为\(mx\),最小值为\(mn\)。
性质1：\(mn<K\)
性质2：\(mn+mx>K\)
这两个性质比较显然，都可以用反证法证明的。
于是我们可以直接让\(mn\)和部分\(mx\)来凑成K，多余部分放回去，于是物品和盒子可数均减少1，递归即可。

怎么实现

我们需要维护增加元素，删除元素，询问最大最小值的一个数据结构，显然可以用个multiset，于是就能轻松做到O(nlogn)。

进一步优化

如果要维护最大最小值的话，就很难不带log。（悲）。然而实际上我们也并非必须取最值。
我们考虑把物品分成两类，一类是\(d_i<K\),其余是另一类。
于是我们可以每次在两个类中各取一个凑一个K，然后放回剩余。
然而这么做会有个问题，到后面可能存在所有\(d_i\)全都小于\(K\)的情况。
其实这个情况下可以证明任意两个物品都能满足加起来不小于K（就不证了吧QAQ），于是按顺序合并就好。
于是现在的做法就可以做到空间O(n),时间O(n)了。

应用

一个随机事件包含\(n\)种情况，每种情况发生的概率分别为：\(p_i\)，问怎么用产生符合这个概率的采样方法。
这种问题的解决方法很多，比如按照概率构造数组然后在上面随机。。
然而许多方法时间空间复杂度不够优秀，或者在大量数据采样时不能较好的符合发生概率。
应用别名算法，相当于是把这些总和为1的物品分到n-1的盒子里，每次采样先随机到一个盒子，再按照盒子内的比例随机一次。
就能做到O(n)的空间和时间预处理，每次O(1)的采样，并且采样结果比较符合事件概率。

标签：采样,盒子,于是,mn,别名,mx,alias,物品,method
来源： https://www.cnblogs.com/Yuigahama/p/14694638.html

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。