Smoothed Analysisは学外で使用されていますか？

平滑化された分析は、アルゴリズムのメインストリーム分析への道を見つけましたか？アルゴリズム設計者がアルゴリズムに平滑化分析を適用することは一般的ですか？

私は間違っている可能性がありますが、私は、スムーズな分析を、理論上の保証が不十分なアルゴリズム（シンプレックス、k-meansなど）の実際の動作を説明する方法と見なしています。最悪の場合のパフォーマンスが悪い特定のヒューリスティックの使用を正当化する場合を除き、実際に平滑化分析を使用することの意味がわかりません練習などでうまくいく」

現実の世界でアルゴリズムを分析する方法は、学界とは大きく異なります。学界では目標は実行時間の証明可能な正しい上限を見つけることですが、実際の目標はアルゴリズムがどのように機能し、どの調整が実行時間を改善できるかを理解することです。学界では禁止されていますが、実際には使用されている2つの主な方法があります。

• 近似の方法。ここでは、多くの単純化された仮定を使用して、アルゴリズムの実行時間を予測しようとします。（かつて）理論物理学者がやっていることと似ています。
• 実験。アルゴリズムを実行し、いくつかの統計を測定します-各部分にかかった時間、各関数が呼び出された回数、各ブランチが実行された頻度など。この情報を使用して、アルゴリズムを最適化できます。実験は、アルゴリズムの分析中に行われたいくつかの近似が実際に機能するかどうかを調べるためにも使用されます。

ただし、関連する学術出版物にフィラーテキストを追加する以外に、実際にアルゴリズムを分析することはあまり一般的ではないと思います。焦点は、主題に応じて、ソフトウェアエンジニアリングまたは低レベルの最適化のいずれかです。

最後に、平滑化分析は、アルゴリズムが実際に最悪のケースで示唆されるよりも実際にうまく機能する理由を説明するために使用できるヒューリスティックです。つまり、入力の一部が何らかの意味で「ランダム」です。このヒューリスティックは、近似の方法を使用している場合、アルゴリズムの動作を近似するために使用できます。