我们来考虑一下下面这个雇佣问题：
假设你需要雇佣一名办公室助理，你决定找一名雇佣代理，他每天给你推荐一个应聘者，你面试这个人，然后决定是否录用他。
你承诺任何时候你都需要找最合适的人来担任这项职务.............我们来考虑一下这个费用会是多少；
下面的伪代码表示雇佣策略：
其实我们要分析的费用问题跟所要分析的时间复杂度问题是等价的：
面试的费用较低 假设为Ci,而雇佣的费用较高为Ch,所以为了找到最好的，把这n个人都面试了一遍，而录用了过其中m个人，最后只留下一个最好的；所以时间复杂度=O(Ci*n+Ch*m)=费用；
最坏情况：
如果我们每一次面试的人都要比上一个人好，这样我们一共面试了n个人，同时也录用过n个人，最后留下一个，此时产生的费用为最高；复杂度为O(Ci*n+Ch*n);
平均情况：
事实上，最坏情况发生的概率比较小，然而我们又不知道输入的分布，在这种条件下，我们很自然地会问在一种典型的情况下，或者平均情况下；
概率分析：
当分析一个算法运行时间时，我们以运行时间的期望值衡量，其中输入值是由随机数生成器产生。我们将一个随机算法的运行时间称为期望运行时间。
一般而言，当概率分布在算法的输入上时，我们讨论平均运行情况；当算法本身做出随机选择时，我们讨论其期望运行时间；
我们用随机算法分析上面这个问题：
这说明了平均情况比最坏情况下有了很大的改进；
很多时候我们无法得知输入分布的信息，因而阻碍了平均情况的分析；
随机算法：
输入的所有排列等可能出现往往有益，通过概率分析我们可以设计一个随机算法，一般我们不是假设输入的一个分布，而是设定一个分布。特别地，在算法运行前，先随机的排列应聘者，以加强所有排列都是等可能出现的；
下面是两种随机排列：
1.
将每一个要排序的A[i]赋给一个随机的优先级，然后根据优先级对数组A的元素进行排序；
产生随机排列的另一种更好的方法是原址排列给定的数组；
2.
