算法设计中没有灵丹妙药——不存在任何一种足够强大和灵活，能够解决所有计算问题的算法思想。同样，算法分析中也没有灵丹妙药，因为对算法进行分析的最具启发性的方法往往取决于问题和应用的细节。然而，典型的算法课程几乎完全停留在一种单一的分析框架上，即最坏情况分析。本书的目的就是纠正这种不平衡。 本书源于斯坦福大学的研究生课程，由40位学者联袂撰写，旨在推广最坏情况分析的替代方法，以及这些方法的应用，包括聚类、线性规划和神经网络训练等。书中涵盖算法分析领域的各个方面，强调重要的模型和研究成果。 本书首先讨论对最坏情况分析的改进，然后介绍确定性数据模型、半随机模型、平滑分析，最后介绍这些理论在机器学习、统计学等领域的应用，大部分章节以开放式的研究方向以及适合课堂教学的练习题作为结束。

译者序
前言
作者名单
第1章 引言
1.1 算法的最坏情况分析
1.1.1 不可比较算法的比较
1.1.2 最坏情况分析带来的好处
1.1.3 算法分析的目标
1.2 著名的失败事件和对替代方法的迫切需要
1.2.1 线性规划的单纯形法
1.2.2 聚类与NP困难最优化问题
1.2.3 机器学习的不合理的有效性
1.2.4 在线算法分析
1.2.5 最坏情况分析的骗局
1.3 示例：在线分页问题中的参数化界
1.3.1 根据引用局部性的参数化
1.3.2 定理1.1的证明
1.3.3 讨论
1.4 本书概述
1.4.1 最坏情况分析的改进
1.4.2 确定性数据模型
1.4.3 半随机模型
1.4.4 平滑分析
1.4.5 机器学习和统计学中的应用
1.4.6 进一步的应用
1.5 本章注解
致谢
参考文献
练习题
第一部分 最坏情况分析的改进
第2章 参数化算法
2.1 引言
2.1.1 热身：顶点覆盖问题
2.2 随机化
2.2.1 随机分离：集合拆分问题
2.2.2 去随机化
2.3 结构上的参数化
2.4 核心化
2.4.1 热身：Buss规则
2.4.2 形式定义以及与FPT的成员关系
2.4.3 Buss规则在矩阵秩上的推广
2.5 困难性和最优性
2.5.1 W[1]困难性
2.5.2 ETH和SETH
2.5.3 核心化的困难性和最优性
2.6 展望：新的范例和应用领域
2.6.1 FPT-近似和有损核心
2.6.2 P问题中的FPT
2.6.3 应用领域
2.7 总体方向
2.8 本章注解
参考文献
练习题
第3章 从自适应分析到实例最优性
3.1 案例研究1：最大点集合问题
……
第二部分 确定性数据模型
第三部分 半随机模型
第四部分 平滑分析
第五部分 机器学习和统计学中的应用
第六部分 进一步的应用