Übung Algorithmen I

Transkript

1 Übung Algorithmen I Christoph Striecks Christoph.Striecks@kit.edu (Mit Folien von Julian Arz, Timo Bingmann und Sebastian Schlag.)

2 Roadmap Organisation Mergesort, Quicksort Dual Pivot Quicksort Vorsortiertheit und adaptive Sortieren

3 Organisation Übungsblatt 5, Aufgabe 1c): Σ = {A, b, e, g, h, i, l, m, n, o, r, t}

4 Sortieren durch Mischen Idee: Teile und Herrsche Function mergesort( e 1,...,e n ) : Sequence of Element if n = 1 then return e 1 // base case else return merge( mergesort( e 1,...,e n/2 ), mergesort( e n/2 +1,...,e n )) Gegeben: zwei sortierte Folgen a und b Berechne: sortierte Folge der Elemente aus a und b 172

5 Merge Sort Function mergesort(a : Array of Element; lo, hi : N) if hi lo 1 then return // Basisfall mid := (lo + hi)/2 // mittleres Element mergesort(lo, mid), mergesort(mid, hi) // Sortiere Hälften T := allocate (Array of Element size hi lo) i := lo, j := mid, k := 0 // Laufindizes while i < mid j < hi if A[i] < A[j] T [k++] := A[i++] // Mische! else T [k++] := A[j++] endwhile while i < mid do T [k++] := A[i++] // Kopiere Reste while j < hi do T [k++] := A[j++] A[lo,..., hi 1] := T [0,..., (hi lo) 1] // Kopiere zurück dispose (T ) Worst case: Θ(n log n), average case Θ(n log n).

6 Tatsächliche Laufzeit einer Implementierung Average case: Θ(n log n) n = 100, 100 log (Demo)

7 Quicksort erster Versuch Idee: Teile-und-Herrsche aber verglichen mit mergesort andersrum. Leiste Arbeit vor rekursivem Aufruf Function quicksort(s : Sequence of Element) : Sequence of Element if s 1 then return s pick some p s a:= e s : e p return concatenation of quicksort(a), b, and quicksort(c) 182

8 Quicksort Analyse im schlechtesten Fall Annahme: Pivot ist immer Minimum (oder Max.) der Eingabe { Θ(1) if n = 1, T (n) = Θ(n) + T (n 1) if n 2. T (n) = Θ(n + (n 1) + + 1) = Θ ( n 2) 183

9 Schlechtester Fall: Beispiel 184

10 Quicksort Analyse im besten Fall Annahme: Pivot ist immer Median der Eingabe { O(1) if n = 1, T (n) O(n) + 2T ( n/2 ) if n 2. (Master-Theorem) T (n) = O(n log n) Problem: Median bestimmen ist nicht so einfach 185

11 Satz: C(n) 2n ln n 1.45n log n C(n) = = n n i=1 j=i+1 n n i+1 i=1 k=2 n n 2 k i=1 k=2 n =2n k=2 1 k 2 j i k =2n(H n 1) 2n(1 + ln n 1) = 2n ln n. i j =:k {}}{ j i n 2..n 2 3..n 2..n n 2..n 2... n 1 n..n 2..2 n /0 /0 (harmonische Summe) 191

12 Einige Quicksort-Analysen Hoare (1962) Ur -Quicksort Average Case für 1 zufällig gewähltes Pivot für n = 100 erwartete Vergleiche: = 2n(H n 1) 837, 5 2n log e n 921, 0 (Demo.) Wild, Nebel (2012) Yaroslavskiy -Quicksort Average Case für 2 zufällig gewählte Pivots erwartete Vergleiche: für n = 100 = 1.9n log e n 2.46n + O(log n) O(log 100)

13 Vorgefertigte Sortieralgorithmen in aktuellen Programmiersprachen Hinweis: Verwenden Sie diese Sortieralgorithmen anstatt eigene zu implementieren!

14 C++ Zahlen: Variante von Quick-Sort #include <algorithm> int numbers[] = {42, 7, 9, 18, 1, 123}; std::vector<int> vec(numbers, numbers + 6); std::sort(vec.begin(), vec.end()) Allgemeine Elemente: Variante von Merge-Sort #include <algorithm> bool less_than(elements& a, Elements& b) { /*...*/ }... Elements* elements = createelements(n); std::sort(elements, elements + n, less_than)...oder... std::stable_sort(elements, elements + n, less_than)

15 Java Zahlen: Variante von Quick-Sort int[] numbers = {42, 7, 9, 18, 1, 123}; java.util.arrays.sort(numbers) Allgemeine Elemente: Variante von Merge-Sort Comparator<Elem> comparator = new Comparator<Elem> { int compare(elem a, Elem b) { /*...*/ } } Elem[] elements = { /*...*/ } java.util.arrays.sort(elements, 3, 15, comparator)

16 Dual Pivot Quicksort

17 Dual Pivot Quicksort Idee: Partitioniere Eingabe in 3 Teile durch 2 Pivot-Elemente p q Historisch: [Sedgewick 1975], [Hennequin 1991] keine Verbesserung durch Multi-Pivot-Ansatz in Theorie und Praxis Sind die nächsten 15 Minuten also reine Zeitverschwendung? Nein. 2009: [Yaroslavskiy 2009] praktisch & theoretisch besser als Implementierung der Bibliothek 2011: Dual Pivot Quicksort wird Standard in Java : Average-case-Analyse [Wild, Nebel 2012]

18 Dual Pivot Quicksort 1. Wähle 2 Pivotelemente p q 2. Klassifiziere Elemente in: klein wenn q 4. Sortierte die 3 Teilbereiche rekursiv

19 Partitionierung mit 2 Pivots Fall a[k] < p: p k l? g q Partitionierung: k g < p? > q? swap(k, l) < q? skip g < p? skip swap(g, k, l) swap(g, k)

20 Partitionierung mit 2 Pivots Fall a[k] < p: p k l? g q Partitionierung: k g < p? > q? swap(k, l) < q? skip g < p? skip swap(g, k, l) swap(g, k)

21 Partitionierung mit 2 Pivots Fall p a[k] q: p k l? g q Partitionierung: k g < p? > q? swap(k, l) < q? skip g < p? skip swap(g, k, l) swap(g, k)

22 Partitionierung mit 2 Pivots Fall p a[k] q: p l k? g q Partitionierung: k g < p? > q? swap(k, l) < q? skip g < p? skip swap(g, k, l) swap(g, k)

23 Partitionierung mit 2 Pivots p q? swap(k, l) < q? skip g < p? skip swap(g, k, l) swap(g, k)

24 Partitionierung mit 2 Pivots Fall q a[k]: p q? swap(k, l) < q? skip g < p? skip swap(g, k, l) swap(g, k)

25 Partitionierung mit 2 Pivots Fall q a[k]: p q? swap(k, l) < q? skip g < p? skip swap(g, k, l) swap(g, k)

26 Partitionierung mit 2 Pivots Fall q a[k] a[g] > q: p q? swap(k, l) < q? skip g < p? skip swap(g, k, l) swap(g, k)

27 Partitionierung mit 2 Pivots Fall q a[k] a[g] > q: p q? swap(k, l) < q? skip g < p? skip swap(g, k, l) swap(g, k)

28 Partitionierung mit 2 Pivots Fall q a[k] p a[g] q: p q? swap(k, l) < q? skip g < p? skip swap(g, k, l) swap(g, k)

29 Partitionierung mit 2 Pivots Fall q a[k] p a[g] q: p q? swap(k, l) < q? skip g < p? skip swap(g, k, l) swap(g, k)

30 Partitionierung mit 2 Pivots p q? swap(k, l) < q? skip g < p? skip swap(g, k, l) swap(g, k)

31 Partitionierung mit 2 Pivots Fall q a[k] a[g] < p: p q? swap(k, l) < q? skip g < p? skip swap(g, k, l) swap(g, k)

32 Partitionierung mit 2 Pivots Fall q a[k] a[g] < p: p q q Partitionierung: k g < p? > q? swap(k, l) < q? skip g < p? skip swap(g, k, l) swap(g, k)

33 Einige Quicksort-Analysen Hoare (1962) Ur -Quicksort Average Case für 1 zufällig gewähltes Pivot für n = 100 erwartete Vergleiche: = 2n(H n 1) 837, 5 2n log e n 921, 0 Wild, Nebel (2012) Yaroslavskiy -Quicksort Average Case für 2 zufällig gewählte Pivots erwartete Vergleiche: für n = 100 = 1.9n log e n 2.46n + O(log n) O(log 100) (Demo.)

34 Kennzahlen der Vorsortiertheit und adaptive Sortierverfahren

35 Adaptives Sortieren Warm-up Sortieren Sie diese Zahlenfolgen:

36 Adaptives Sortieren Warm-up Sortieren Sie diese Zahlenfolgen: Nur zwei Inversionen Einfach! Nicht so einfach! (17 Inversionen)

37 Adaptives Sortieren Sortieren Worst und average case: Ω (n log n) ist untere Schranke Für zufällige Permutationen Aber: nutze bestimmte Eigenschaften der Folge aus Adaptives Sortieren: Laufzeit steigt mit Länge n und Chaos m Chaos? Unsortiertheit? Vorsortiertheit? Ist dieses Chaos messbar? Ja. Kennzahlen der Vorsortiertheit Englisch: measures of presortedness oder measures of disorder

38 Adaptives Sortieren Kennzahlen der Vorsortiertheit Inversionen Runs Größte Distanz zwischen Inversionen Größte Distanz zur korrekten Position Vertauschungen Verschachtelte Listen Removals SUS SMS Oszillationen Alle anderen zusammen

39 Adaptives Sortieren Kennzahlen der Vorsortiertheit Inversionen Runs Größte Distanz zwischen Inversionen Größte Distanz zur korrekten Position Vertauschungen Verschachtelte Listen Removals SUS SMS Oszillationen Alle anderen zusammen

40 Adaptives Sortieren Kennzahlen der Vorsortiertheit Inversionen Inversion: Paar (i, j) N 2 mit i < j und σ(i) > σ(j) Siehe Übung letzte Woche Best case m inv = 0, worst case m inv = n (n 1) 2 = Θ ( n 2) Average case m inv = ( ) n = Θ( n 2) Adaptiv bzgl. m inv : Insertion Sort O(m inv ) Vertauschungen, O(n + m inv ) Vergleiche

41 Adaptives Sortieren Kennzahlen der Vorsortiertheit Inversionen Nachteil: Lokale Sortiertheit wird nicht erkannt. Beispiel: Quadratische Anzahl von Inversionen, aber einfach zu sortieren Runs Ein Run ist eine zusammenhängende Teilfolge aufsteigend sortierter Elemente Das obige Beispiel hat 2 Runs. Best case m runs = 1, worst case m runs = n Average case?

42 Runs Erwartete Anzahl von Runs Für festes n sei # k die Anzahl der Permutationen mit k Runs. Beobachtung: Permutation mit k Runs hat k 1 Abstiege

46 Runs Erwartete Anzahl von Runs Für festes n sei # k die Anzahl der Permutationen mit k Runs. Beobachtung: Permutation mit k Runs hat k 1 Abstiege Rückwärts gelesen hat sie n (k 1) = n k + 1 Runs. Bijektion von Permutationen mit k Runs auf Permutationen mit n k + 1 Runs # k = # n k+1 E(R(σ)) = σ S n p(σ) R(σ) = n k=1 # k n! k

47 Runs Erwartete Anzahl von Runs 2 E(R(σ)) = 2 = = n k=1 n k=1 n k=1 # k n! k = n k=1 # k n! k + n k=1 # k n! k + n s. letzte Folie {}}{ # k n! k=1 (n k + 1) # k n + 1 (k + (n k + 1)) = n! n! Indexvertauschung {}}{ # n k+1 (n k + 1) n! n k=1 # k = n + 1 n! n! Daraus folgt: E(R(σ)) = n + 1 2

48 Runs Adaptives Sortieren

49 Runs Adaptives Sortieren

50 Runs Adaptives Sortieren Idee: Mergesort!

52 Runs Adaptives Sortieren Idee: Mergesort! 3

53 Runs Adaptives Sortieren Idee: Mergesort! 3 4

54 Runs Adaptives Sortieren Idee: Mergesort! 3 4 7

61 Runs Adaptives Sortieren Idee: Mergesort! Natürlicher Mergesort Laufzeit O(n + n log m runs )

62 Adaptives Sortieren Kennzahlen der Vorsortiertheit Runs Nachteil: Globale Sortiertheit wird nicht erkannt Beispiel: Viele Runs, aber nur zwei ineinander verschränkte aufsteigende Teilsequenzen Removals Removals: minimale Anzahl von Elementen, deren Löschen eine sortierte Folge erzeugt Das Beispiel hat eine längste aufsteigende Teilsequenz der Länge 5 m rem = 4 Best case: m rem = 0; worst case: m rem = n 1