随机化算法：蒙特卡洛、拉斯维加斯与舍伍德算法解析

1. 随机化算法概述：从确定性到概率性的思维跃迁

在传统算法设计中，我们习惯于追求确定性——给定特定输入，算法必须在有限步骤内产生唯一正确的输出。然而，这种完美主义在实际工程中往往需要付出高昂代价。随机化算法的出现，打破了这一思维定式，通过巧妙引入可控的随机性，在效率与正确性之间找到新的平衡点。

随机化算法大致可分为三类：蒙特卡洛算法、拉斯维加斯算法以及作为特殊策略的舍伍德算法。它们各自代表了不同的权衡哲学：

• 蒙特卡洛算法：以可接受的错误概率换取确定性的执行时间
• 拉斯维加斯算法：保证绝对正确性但接受运行时间的不确定性
• 舍伍德算法：通过随机化消除最坏情况输入的专有策略

这种分类不是学术游戏，而是源于真实工程需求的解决方案。当处理超大规模数据或NP难问题时，随机化常常是唯一可行的实践路径。

2. 拉斯维加斯算法：绝对正确性的时间代价

2.1 核心特征与数学表述

拉斯维加斯算法得名于赌城"要么赢要么不赌"的特性，其形式化定义为：

对于所有合法输入x，算法A(x)满足：

1. 若A(x)终止，则输出结果必然正确
2. 期望运行时间E[T(x)]有上界

数学表达式为：
Pr[A(x) = f(x)] = 1
E[T(x)] ≤ g(n), 其中n为输入规模

2.2 典型实现剖析：随机化快速排序

以随机化快速排序为例，其拉斯维加斯特性体现在：

python复制import random

def randomized_quicksort(arr):
    if len(arr) <= 1:
        return arr
    pivot = random.choice(arr)  # 关键随机化步骤
    left = [x for x in arr if x < pivot]
    middle = [x for x in arr if x == pivot]
    right = [x for x in arr if x > pivot]
    return randomized_quicksort(left) + middle + randomized_quicksort(right)

这个实现中：

1. 正确性保证：无论pivot如何选择