几乎总是几乎正确

我正在寻找一个与APX有关的复杂性类，而BPP与P有关。我已经在这里提出了同样的问题，但也许TCS将是一个更有成果的答案。

该问题的原因是，在实际问题中，人们经常需要以足够高的置信度（因此BPP）找到近似答案（因此APX），这将使有边界概率逼近算法的问题类别可能成为有用的可计算模型。实践。

此类的一个可能的候选者将是：那些带有有限概率子例程的近似解的问题；但是，我不确定这种类是否适合该类概率可计算的近似值。$APX^{BPP}$

BPP和APX都已被广泛研究。是还是这种情况，或者哪个类是捕获上述问题的最佳选择？$APX^{BPP}$

对于任何给定的目标函数，让BotL（最佳列表）为一种算法，该算法评估一组输入上的目标函数，并从该列表中返回一个具有最大输出（这些输入中的最大输出）的输入，并带有联系任意打破。 $\:$由于APX仅包含
可以在确定的多项式时间内计算目标函数的问题 ，因此BotL可以在多项式时间内确定性实现。$\:$此外，BotL返回的值
至少与评估BotL的任何输入一样好。$\:$特别是，
如果该列表中的任何输入足够好，那么BotL的输出就足够好。
因此，在基本算法的足够多的独立执行的输出上运行BotL可以将成功概率从1 / poly放大为1-（1 /（2 ^ poly））。

作为上一段的结果，精确的
置信度基本上不影响所得的类。
（这种情况与RP非常相似。）

尽管
在本文提到的研讨会上可能有关于它的讨论，但我在复杂性动物园中找不到任何有关 它的信息。