تخمین تعداد مولفه‌های همبندی گراف و وزن درخت پوشای کمینه در زمان زیرخطی

http://www.cse.psu.edu/~sxr48/slides/WIM-sublinear-algorithms-lec2.pdf

تشخیص نیم‌صفحه بودن در زمان زیرخطی

http://www.cse.psu.edu/~sxr48/slides/WIM-sublinear-algorithms-lec1.pdf

MR-DBSCAN: a scalable MapReduce-based DBSCAN algorithm for heavily skewed data

http://www.academia.edu/download/42729481/MR-DBSCAN_a_scalable_MapReduce-based_DBS20160216-9308-1om7aj6.pdf

Distributed Coverage Maximization via Sketching

https://arxiv.org/pdf/1612.02327.pdf

Scalable K-Means++

https://arxiv.org/pdf/1203.6402.pdf

Iterative Methods in Combinatorial Optimization

http://drops.dagstuhl.de/opus/volltexte/2009/2339/pdf/09005.RaviR.2339.pdf

least discrepancy search

https://www.coursera.org/learn/discrete-optimization/lecture/Pa60m/knapsack-2-greedy-algorithms
مثالش مسئله‌ی کوله‌پشتی بود. روشش این بود که بار اول فرض می‌کرد الگوریتم حریصانه جواب بهینه را پیدا می‌کند و بار بعدی فرض می‌کرد یک انتخاب اشتباه می‌کند و مرحله‌ی بعدی ۲ بار و ... .
چون اگر تا آخر برود همه را چک می‌کند جواب بهینه را می‌دهد. فقط مزیتش این است که می‌تواند زودتر هرس کند.

قسمتی که من خودم دوست داشتم بیشتر همان حریصانه‌های مختلف برای کوله‌پشتی بود. اینکه در واقع قسمت مهم الگوریتم این است که چه تابعی از ورودی را انتخاب کنیم (مثلاً چگالی) و اینکه چه راه‌هایی به نتیجه نرسیده که به این رسیده‌اند.

Mathematics for Computer Science

https://ocw.mit.edu/courses/electrical-engineering-and-computer-science/6-042j-mathematics-for-computer-science-fall-2010/readings/

Pseudorandomness

https://people.seas.harvard.edu/~salil/pseudorandomness/

6.889 Advanced Topics in the Theory of Cryptography

https://cseweb.ucsd.edu/~mihir/papers/gb.pdf

http://people.csail.mit.edu/sunoo/6889-fa16/