来源：大数据算法 王宏志
一、概述
大数据定义：在给定的资源约束下，以大数据为输入，在给定时间约束内可以生成满足给定约束结果的算法。
大数据特点：4V
大数据算法可以不是：
- 精确算法
- 内存算法
- 串行算法
- 仅在电子计算机上运行的算法
大数据算法不仅是：
- 云计算
- MapReduce
- 大数据分析和挖掘的算法
难度：
- 访问全部数据时间过长
读取部分数据 亚线性算法
- 数据难以放入内存
将数据存储到磁盘上 外存算法
仅基于少量数据进行计算 空间亚线性算法
- 单个计算机难以保存全部数据
并行处理 并行算法
- 计算机能力不足或知识不足
人来帮忙 众包算法
大数据上问题求解计算问题的过程
大数据的算法设计技术
- 精确算法设计方法
- 并行计算
- 近似计算
- 随机算法
- 在线算法/数据流算法
- 外存算法
- 面向新型体系结构的算法
- 现代优化算法
大数据算法分析
- 时间空间复杂性
- IO复杂性
- 结果质量（近似比、competitive ratio）
- 通讯复杂性
二、亚线性算法概述
1.定义
时间/空间/IO/通讯/能量等消耗是o(输入规模)
亚线性时间算法
- 性质检测算法
- 亚线性时间近似算法
亚线性空间算法
- 数据流算法
2.空间亚线性算法-水库抽样
输入：一组数据，其大小未知
输出：这组数据的k个均匀抽样
要求：
- 仅扫描数据一次
- 空间复杂性为O(k) 和抽样大小有关，和整个数据无关
- 扫描到数据的前n个数字时（n>k），保存当前已扫描数据的k个均匀抽样
算法：
- 申请一个长度为k的数组A保存抽样
- 保存首先接收到的k个元素
- 当接收到第i个新元素t时，以k/i的概率随机替换A中的元素（即生成[1, i]间随机数j，若k<=j，则以t替换A[j]
3.时间亚线性计算算法-平面图直径
输入：m个顶点的平面图，任意两点之间的距离存储在矩阵D中，即点i到点j的距离为Dij
- 输入大小是n=m的平方
- 最大的Dij是图的直径
- 点之间的距离对称且满足三角不等式
输出：该图的直径和距离最大的Dij
要求：运行时间为o(n)
算法：
动机：无法在要求的时间内得到精确算法，寻找近似算法
近似算法
- 任意选择k<=m
- 选择使得Dkl最大的l
- 输出Dkl和(k, l)
近似比
Dij <= Dik+Dkj <= Dkl+Dk l<= 2Dkl 因而近似比为2
近似时间
4.近似算法
什么是近似算法
- 近似算法主要用来解决优化问题
- 能够给出一个优化问题的近似优化解的算法
近似算法解的近似度
- 问题的每一个可能的解都具有一个代价
- 问题的优化解可能具有最大或最小代价
- 我们希望寻找问题的一个误差最小的近似优化解
我们需要分析近似解代价与优化解代价的差距
- Ratio Bound
- 相对误差
- (1-ε)-近似
5.时间亚线性判定算法-全0数组判定
输入：包含n个元素的0，1数组A
输出：A中的元素是否全是0
要求：运行时间为o(n)
判定问题的近似：
- 无法在要求的时间内得到精确解，寻找近似解
判定问题如何近似
- 输入满足某种性质或者远非满足此性质
- ε-远离
对于输入x，如果x到L中的任意字符串的汉明距离至少为ε|x|，则x是ε-远离L的
全0数组判定问题的近似
- 是否A=00...0或者其包含1的个数大于 εn?
算法描述：
- 在A中随机独立抽取s= 2/ε个位置上的元素
- 检查抽样，若不包含1，则输出“是”，若包含1，则输出“否”
判定精确性分析
- 如果A是全0数组，始终输出“是”
- 如果A是 ε-远离的，
运行时间：O(s)
证据引理：
- 如果一次测试以大于等于p的概率获得一个证据，那么s=2/p轮测试得到证据的概率大于等于2/3
判定算法的定义
三、亚线性算法案例
