Випадкові алгоритми, що використовують стек

Я розробив нову методику дерандомізації, яка спрямована на рекурсивні рандомізовані алгоритми (або) більш загальні рандомізовані алгоритми, які використовують стек. На жаль, я не зміг знайти природні рандомізовані алгоритми, щоб застосувати свої методи. Рекурсивні ланцюги Маркова та стохастичні граматики дуже близькі до того, що я шукаю. Чи існують інші (більш природні) рандомізовані алгоритми, які роблять стет "суттєвим"? Будь-яка допомога дуже вдячна, оскільки я зациклювався на цьому вже більше півроку.

Щоб дати вам більше контексту, я шукаю перелік проблем, подібних до тих, що містяться в роботі SivaKumar . Зауважте, що SivaKumar використовував псевдовипадковий генератор Нісана для дерандонізації цих проблем.

Як зазначає Пер Вогсен, і в цілому, також існує багато геометричних алгоритмів, які діють наступним чином: Виберіть випадкову вибірку та запустіть рекурсивно на вибірці та інших похідних структурах. Рандомізований алгоритм Кларксона для лінійного програмування, як і Сейделя, і справді серія Матусек-Шарір-Вельцл, про яку згадує, всі діють таким чином, і парадигма Кларксона поширюється на інші ситуації, коли ви будуєте якусь різку чи епсілон-мережу та повторюєте .

На жаль, ви навряд чи отримаєте новий результат від цього, оскільки існують оптимальні дерадонізації цих алгоритмів завдяки роботі Матушека та Шазел. Папір Шазель є хорошим орієнтиром для цієї роботи та попередньої роботи Матусека. Але це може бути хорошим випробуванням вашого методу: важко було придумати ці дерадонізації, і якщо ваш метод передбачає підхід до чорного поля, починаючи з (простішого) рандомізованого алгоритму, це було б акуратно.

ps це, мабуть, самий нудний приклад, але чи працює ваш метод на швидкості або будь-який із методів рандомізованої медіани пошуку?

Як щодо рандомізованого алгоритму Welzl для мінімальних огороджувальних еліпсоїдів? Він має глибину рекурсії O (d), де d - розмірність простору.

Я майже нічого не знаю про дерандомізацію, тому це може бути не тим, що ви шукаєте. Якщо мій приклад не кваліфікується (можливо, за вашим визначенням, він використовує лише несуттєві рекурсії?), Можливо, ви могли б уточнити, чому це так. Це збільшило б шанси на більш високу якість та відповідні відповіді інших.

Більш швидка версія алгоритму мінімізації дійсно дуже рекурсивна. Дивіться малюнок 2.5 тут або будь-який стандартний підручник з алгоритмами.