在学术界以外使用平滑分析吗？

平滑分析是否找到了进入算法主流分析的途径？对于算法设计人员来说，将平滑分析应用于其算法是否很常见？

我可能是错的，但是我认为平滑分析是解释理论上没有很好保证（简单，k均值等）的算法在实践中行为的一种方式。我不确定在实践中使用平滑分析会意味着什么，除了要证明使用具有最坏情况表现不佳的特定启发式算法是合理的（“我的启发式算法具有最坏的情况，但是平滑分析表明它将在实践中表现出色等等”）

人们在现实世界中分析算法的方式与学术界有很大不同。在学术界，目标是找到运行时间的可证明正确的上限，而在现实生活中，目标是了解算法的工作原理以及哪些调整可以改善运行时间。学术界禁止使用但主要在实践中使用的两种主要方法：

• 近似方法。在这里，您使用许多简化的假设来尝试预测算法的运行时间。与理论物理学家（过去）所做的类似。
• 实验。您运行算法并测量多个统计信息-每个部分花费了多少时间，每个函数被调用了多少次，每个分支运行了多少次，等等。此信息可用于优化算法。实验还用于找出在分析算法工作时是否完成了一些近似运算。

就是说，除了在相关的学术出版物中添加一些填充文本外，我认为在实践中分析算法不是很普遍。根据主题，重点是软件工程还是低级优化。

最后，平滑分析是一种启发式方法，可用于解释为什么算法在实践中比其最坏情况所建议的效果更好-即，由于某些输入在某种意义上是“随机的”。如果正在使用近似方法，则可以使用这种启发式方法来近似算法的行为。