ALGORYTMY I STRUKTURY DANYCH WYKŁAD 03 cd. Wyszukiwanie Grażyna Mirkowska PJWSTK, 2003/2004.

Prezentacja na temat: "ALGORYTMY I STRUKTURY DANYCH WYKŁAD 03 cd. Wyszukiwanie Grażyna Mirkowska PJWSTK, 2003/2004."— Zapis prezentacji:

1

2 ALGORYTMY I STRUKTURY DANYCH WYKŁAD 03 cd. Wyszukiwanie Grażyna Mirkowska PJWSTK, 2003/2004

3 marzec 2003G. Mirkowska, ASD_03 Wyszukiwanie c.d.2 Plan wykładu 4 Drugi co do wielkości element –Algorytm turniej 4 K-ty co do wielkości element ciągu –Algorytm Hoare 4 Wyszukiwanie w ciągu uporządkowanym –Algorytm bisekcji

4 marzec 2003G. Mirkowska, ASD_03 Wyszukiwanie c.d.3 Problem Dany jest ciąg różnych elementów e[1],...,e[n] pewnej przestrzeni liniowo uporządkowanej. Znaleźć drugi co do wielkości element tego ciągu. WP = { e[i]  e[j] dla i  j, n>0}, WK = {1  wynik  n, e[j]  e[wynik] < e[max] dla j=1,2,...,n } e[wynik] = maximum({e[1]...,e[n]} - maximum{e[1],...,e[n]}) Algorytm naiwny : 1. Znaleźć element maksymalny. 2. Usunąć go z rozważań. 3. Znaleźć element maksymalny w pozostałym zbiorze. Drugi największy element ciągu

5 marzec 2003G. Mirkowska, ASD_03 Wyszukiwanie c.d.4 { i := 2; max :=1; while i  n do if e[i] > e[max] then max := i fi; i := i+1; od; pom := e[1]; e[1] := e[max]; e[max] := pom; i:=3; wynik := 2; while i  n do if e[i] > e[wynik] then wynik := i fi; i := i+1; od; } Swap(e[1], e[max]); T(n) = 2n -3 Max: = 1; for ( i =2; i e[max]) {max:=i;} } wynik := 2; for ( i =3; i e[wynik]){wynik:=i;} } e[max] := maksimum(1,n); e[wynik] := maksimum(2,n); Algorytm naiwny

6 marzec 2003G. Mirkowska, ASD_03 Wyszukiwanie c.d.5 Metoda polega na porównywaniu sąsiednich elementów ciągu. Elementy większe (wygrywające) przechodzą do następnej ‘rundy’. 23461875 4586 5 8 8 Czy można to zrobić lepiej?

7 marzec 2003G. Mirkowska, ASD_03 Wyszukiwanie c.d.6 Każdy element, z wyjątkiem maksymalnego przegrał co najwyżej raz. Element drugi co do wielkości przegrał jedynie z elementem maksymalnym. Wśród elementów, które grały z największym! Por. przykład Analiza metody

8 marzec 2003G. Mirkowska, ASD_03 Wyszukiwanie c.d.7 Krok1. Zbudowanie drzewa turnieju. Załóżmy, że n= 2 k. Krok 2. Wybranie elementu drugiego największego. lg n -1 A ile elementów przegrało z największym? Tyle, ile było ‘rund’! n -1 porównań T(n)= n + lg n -2 Koszt algorytmu Turniej

9 marzec 2003G. Mirkowska, ASD_03 Wyszukiwanie c.d.8 Problem: Dany jest ciąg n-elementów pewnej przestrzeni liniowo uporządkowanej. Znaleźć k-ty największy element tego ciągu. 2, 4, 6, 12, 78, 45, 3, 33, 17, 22 Element największy = 78 element drugi co do wielkości = 45 3-ci największy = 33 4-ty największy = 22 k-ty największy element

10 marzec 2003G. Mirkowska, ASD_03 Wyszukiwanie c.d.9 Krok1. Wyszukaj element e[max] największy wśród elementów e[i],...,e[n]; Krok 2. Zamień elementy na pozycjach i-tej oraz max Krok 3. Powtórz postępowanie dla następnego i. T(n) = (n-1) + (n-2) +... +(n-k) = k*n - k*(k+1)/2 Pierwsze rozwiązanie

11 marzec 2003G. Mirkowska, ASD_03 Wyszukiwanie c.d.10 Zakładam, że elementy w ciągu e nie powtarzają się. { x := 1; while x  k do max := x; for i := x+1 to n do if e[i] > e[max] then max := i fi od; swap(e[x], e[max]); x := x+1; od; wynik := e[k] } e[1]>...>e[x-1] >{e[x],...,e[n] } e[max]  {e[x],...,e[n]} e[1]>...>e[x-1] >{e[x],...,e[n] } Algorytm naiwny

12 marzec 2003G. Mirkowska, ASD_03 Wyszukiwanie c.d.11 Rozdziel wszystkie elementy na większe od pewnego elementu M(część starsza) i na mniejsze od M (część młodsza). M = mediana Umieść medianę tak by oddzielała cześć młodszą od starszej. Wynikiem jest mediana, jeśli w części starszej jest tylko k-1 elementów. W przeciwnym przypadku: jeśli elementów starszych jest >k-1, to szukaj k-tego elementu w części starszej. Jeśli elementów starszych jest mniej niż k-1, to szukaj elementu k-(liczba elementów starszych+1) wśród elementów młodszych. Czy można to zrobić taniej?

13 marzec 2003G. Mirkowska, ASD_03 Wyszukiwanie c.d.12 10 5 7 9 11 4 3 2 12 8 6 1 W podanym ciągu szukamy 7tego co do wielkości elementu mediana Część młodsza 5 7 9 4 3 2 6 1 Część starsza 11 1210 5 7 9 4 3 2 6 1 mediana Część młodsza 4 3 2 1 Część starsza 7 9 65 Szukam 4-go największego Wynikiem jest element 5 Przykład

14 marzec 2003G. Mirkowska, ASD_03 Wyszukiwanie c.d.13 function Hoare(l, p, k) { j := SPLIT(l, p); if ( p-j = k-1) then wynik := e[j] else if p-j>k-1 then Hoare(j+1, p, k) else Hoare(l,j-1, k-(p-j+1)) fi fi } {e[1]...,e[j-1]}< e[j]<{e[j+1],...,e[n]} K-ty największy znajduje się wśród elementów e[j+1],... e[p] K-ty największy znajduje się wśród elementów e[l],... e[j-1] Zakładam, że elementy w ciągu nie powtarzają się i, że algorytm zwraca jako wynik wartość k-tego największego elementu. Algorytm Hoare

15 marzec 2003G. Mirkowska, ASD_03 Wyszukiwanie c.d.14 int function SPLIT(lewy,prawy){ mediana := e[lewy]; i := lewy+1; j := prawy; bool := true; while (bool) do while (j>lewy andif e[j]  mediana ) do j := j-1 od; while (i<j andif e[i] < mediana) do i := i+1 od; if (i<j) then swap(e[i], e[j]); i := i+1; j := j-1; else bool := false fi od; swap(e[lewy],e[j]); return j; } (  k, lewy< k <j) e[k] < e[j] (  k, j < k  prawy) e[j]  e[k] Algorytm rozdzielania powrót

16 marzec 2003G. Mirkowska, ASD_03 Wyszukiwanie c.d.15 10, 5, 9, 8, 14, 7, 12, 3, 11 ij mediana 143 10, 5, 9, 8, 3, 7, 12, 14, 11 i j mediana 10, 5, 9, 8, 3, 7, 12, 14, 11 ij 7 10 i < j i > j powrót Jak to działa?

17 marzec 2003G. Mirkowska, ASD_03 Wyszukiwanie c.d.16 Każdy element jest co najwyżej raz porównywany z medianą. Koszt algorytmu SPLIT Czyli T(SPLIT, n ) = n-1 =  (n) W( n,k) = n-1 +W( n-1,k) Czyli W(n,k)= k*n – k(k+1)/2 A(n,k) = (n-1) + 1/n[  j=1...n-k A(n-j, k) +  j=n-k+2... n A(j-1,k – (n-j+1)] Szukanie w części starszejSzukanie w części młodszej A(n,k) = O(n) Koszt algorytmu Hoare

18 marzec 2003G. Mirkowska, ASD_03 Wyszukiwanie c.d.17 Wyszukiwanie w ciągu uporządkowanym Problem Dany jest ciąg rosnący e[1],..,e[n] oraz element x pewnej przestrzeni liniowo uporządkowanej. Chcemy ustalić przedział e[i], e[i+1], w którym ewentualnie mieści się x. Metoda sekwencyjna 1. Zbadamy przypadki skrajne: przedział 0 i przedział n-ty i ew. kończymy. 2. Następnie porównujemy x z kolejnymi elementami ciągu poczynając od e[2]. Jeśli x jest mniejsze prawego końca rozważanego i-tego przedziału, to znaczy, że x znajduje się w tym przedziale, e[i]  x <e[i+1]. Jeśli tak nie jest, to trzeba zbadać następny przedział. e[1]e[2]e[n-1]e[n]... Przedział 0 Przedział 1Przedział n-1 Przedział n e[3]

19 marzec 2003G. Mirkowska, ASD_03 Wyszukiwanie c.d.18 Metoda poszukiwań sekwencyjnych { if x<e[1] then i := 0 else if x  e[n] then i := n else i := 1; while x  e[i+1] { i := i+1; } fi; fi; wynik := i; } e[i]  x  e[i+1], i  n e[i]  x  e[n], 1  i  n e[i]  x, x  e[i+1], i+1  n x  e[i], i  n W skrajnych przypadkach mamy 1 lub 2 porównania W najgorszym razie 2 + (n-1) porównań.Czyli W(n) = O(n). Poniważ x  e[i+1], to i+1 nie może być równe n,bo z wcześniejszych porównań wiemy, że x<e[n]. Czyli i+1<n

20 marzec 2003G. Mirkowska, ASD_03 Wyszukiwanie c.d.19 Koszt średni algorytmu sekwencyjnego Rozszerzamy dany ciąg o elementy a i b, tzn. przyjmujemy e[0] = a i e[n+1] =b, gdzie [a,b] jest przedziałem, w którym mieszczą się elementy ciągu oraz x. Załóżmy, że prawdopodobieństwo tego, że x przyjmuje jakąś wartość z przedziału [a,b] jest zawsze takie samo. Mamy p(x  [e[i],e[i+1])) = (e[i+1] – e[i])/(b-a) Koszt oczekiwany algorytmu A(n) = Jeśli długości przedziałów są takie same, to A(n) = n/2 +c, gdzie c<2

21 marzec 2003G. Mirkowska, ASD_03 Wyszukiwanie c.d.20 Algorytm bisekcji Metoda „dziel i zwyciężaj” Podziel dany ciąg na dwie części. Sprawdź, w której połowie ciągu znajduje się poszukiwany element i dalej szukaj tą samą metodą w tej właśnie połowie. { i :=1; j := n; while j-i >1 do m := (i+j) div 2; if e[m]  x then i := m else j := m fi od; wynik := i } wp : e[1]  x 1 wk : e[wynik]  x< e[wynik+1] Niezmiennik e[i]  x  e[j], i  j 1+i = j oraz e[i]  x  e[j]

22 marzec 2003G. Mirkowska, ASD_03 Wyszukiwanie c.d.21 Koszt algorytmu bisekcji Niech k będzie liczbą wykonanych iteracji pętli oraz odl(k) = j - i. Przed wykonaniem pętli mamy k=0 i odl(k) = n-1. odl(k+1) = odl(k)/2, jeśli odl(k) jest liczbą parzystą (odl(k)-1)/2  odl(k+1)  (odl(k)+1)/2, jeśli odl(k) jest liczbą nieparzystą Odl(k) jest liczbą całkowitą z przedziału [1,n-1 ] i ze wzrostem k maleje! Istnieje zatem takie k, że odl(k)=1. A więc algorytm zatrzymuje się. A jaka jest największa wartość k? k =[ lg n]

23 marzec 2003G. Mirkowska, ASD_03 Wyszukiwanie c.d.22 4 Następne slajdy będą wykorzystane na ćwiczeniach

24 marzec 2003G. Mirkowska, ASD_03 Wyszukiwanie c.d.23 Skoki „co 4” Idea Porównujemy element x z co czwartym elementem danego ciągu tak długo aż znajdziemy element większy od x. Wtedy szukamy x sekwencyjnie wśród czterech poprzedzających go elementach ciągu. Metoda dokładniej: 1 krok: Zbadać czy x  [e[1],e[n]). Jeśli nie, to ustalić wynik zgodnie ze specyfikacją, a jeśli tak to wykonać krok 2. 2 krok: Porównywać x z kolejnymi elementami o indeksach 4i, tak długo aż (a) znajdziemy element e[4i]>x lub (b) aż przekroczymy n (a) szukamy wyniku sekwencyjnie w przedziale [e[4i- 4], e[4i]), (b) szukamy wyniku sekwencyjnie w przedziale [e[4i- 4], e[n]). omiń

25 marzec 2003G. Mirkowska, ASD_03 Wyszukiwanie c.d.24 Algorytm skoki „co 4” { if x < e[1] then i :=0 else if x  e[n] then i := n else i := 4; bool := false; while (i  n and not bool) do if x  e[i] then i := i + 4 else bool := true fi od; i := i- 4; while x  e[i+1] do i := i+1 od; fi; fi; wynik := i } e[1]  x  e[n] e[j]  x dla j=1,2,...,i-4,  bool e[j]  x dla j=1,2,...,i,  bool, i  n e[j]  x dla j=1,2,...,i-4,  bool, i  n+4 e[j]  x dla j=1,2,...,i-4, x<e[i], bool bool oraz e[i- 4]  x<e[i] lub  bool oraz e[i- 4]  x<e[n] Koszt pesymistyczny: W(n)= 2 +[n/4]+3

26 marzec 2003G. Mirkowska, ASD_03 Wyszukiwanie c.d.25 Skoki „co k” { if x < e[1] then i :=0 else if x  e[n] then i := n else i := k; bool := false; while (i  n and not bool) do if x  e[i] then i := i + k else bool := true fi od; i := i-k; while x  e[i+1] do i := i+1 od; fi; fi; wynik := i } e[j]  x<e[n] dla j=1,2,...,i-k, i  n+k

27 marzec 2003G. Mirkowska, ASD_03 Wyszukiwanie c.d.26 Optymalne k Dla jakich wartości k algorytm ma najmniejszy koszt pesymistyczny? Koszt pesymistyczny wyraża się funkcją f(n) = 2 + n/k + ( k-1) Szukamy minimum tej funkcji: f’(k) = -n/k 2 + 1 f’(k) = 0 dla k =  n oraz f’’ (  n)>0 Koszt pesymistyczny będzie najmniejszy, gdy k =  n