随机方法在计算机科学和数学中有着广泛的应用，它们通常用于解决那些难以用确定性方法精确求解的问题。以下是一些常见的随机方法：
数值概率算法：
用于数值问题的求解，通常得到的是近似解，近似解的精度随着计算时间的增加而提高。
蒙特卡洛算法 （Monte Carlo）：通过大量随机采样来获得问题的近似解，无法保证找到最优解，但可以通过增加采样次数来提高解的精度。拉斯维加斯算法
（Las Vegas）：同样通过随机采样，但目标是找到问题的确切解，如果找到解，则可以立即证明其是最优解。
舍伍德算法（Sherwood）：通过引入随机性来改造确定性算法，旨在减少算法在最坏情况下的性能差异，使得算法的平均性能尽量与输入数据无关。
随机抽样方法： 包括简单随机抽样、系统抽样、分层抽样和整群抽样等，用于从总体中选取样本进行研究。 包括伪随机数生成器和真随机数生成器。伪随机数生成器基于确定性过程生成数字序列，而真随机数生成器利用物理过程或环境中的不确定性事件来生成随机数。 随机路由算法随机数生成算法：
挫败对手（Foiling the Adversary）：将不同的算法组成算法群，根据输入实例的不同随机地或有选择地选取不同的算法，以使性能达到最佳。
快速混合Markov链（Rapidly Mixing Markov Chain）：用于解决大空间中的均匀抽样问题。
孤立和破对称技术（Isolation and Symmetry Breaking）：用于解决并行计算中的死锁等问题。
概率存在性证明（Probabilistic Methods and Existence Proofs）：利用概率论证明随机选取的物体具有某种特性的概率大于0时，该物体一定存在。
消除随机性（Derandomization）：将优秀的随机算法转换为确定性算法，以提高效率。
这些随机方法各有特点，适用于不同类型的问题和场景。在实际应用中，选择合适的随机方法对于解决问题至关重要