3. Suchen. Das Suchproblem. Suche in Array. Lineare Suche. 1 n. i = n Gegeben Menge von Datensätzen.

Transkript

1 Das Suchproblem Gegeben Menge von Datensätzen. 3. Suchen Beispiele Telefonverzeichnis, Wörterbuch, Symboltabelle Jeder Datensatz hat einen Schlüssel k. Schlüssel sind vergleichbar: eindeutige Antwort auf Frage k k für Schlüssel k, k. Aufgabe: finde Datensatz nach Schlüssel k. 3 Suche in Array Lineare Suche Gegeben Array A mit n Elementen (A[],..., A[n]). Schlüssel b Gesucht: Index k, k n mit A[k] = b oder nicht gefunden. Durchlaufen des Arrays von A[] bis A[n]. Bestenfalls Vergleich. Schlimmstenfalls n Vergleiche. Annahme: Jede Anordnung der n Schlüssel ist gleichwahrscheinlich. Erwartete Anzahl Vergleiche: n n i= i = n +.

2 Suche in sortierten Array Gegeben Sortiertes Array A mit n Elementen (A[],..., A[n]) mit A[] A[] A[n]. Schlüssel b Gesucht: Index k, k n mit A[k] = b oder nicht gefunden divide et impera Teile und (be)herrsche (engl. divide and conquer) Zerlege das Problem in Teilprobleme, deren Lösung zur vereinfachten Lösung des Gesamtproblems beitragen. Problem P P P P P P P S S S S S Solution S Divide and Conquer! Binärer Suchalgorithmus BSearch(A[l..r], b) Suche b = b < b > 0 b > b < erfolglos Input : Sortiertes Array A von n Schlüsseln. Schlüssel b. Bereichsgrenzen l r n oder l > r beliebig. Output : Index des gefundenen Elements. 0, wenn erfolglos. m (l + r)/ if l > r then // erfolglose Suche return NotFound else if b = A[m] then// gefunden return m else if b < A[m] then// Element liegt links return BSearch(A[l..m ], b) else // b > A[m]: Element liegt rechts return BSearch(A[m +..r], b) 3

3 Analyse (Schlimmster Fall) Rekurrenz (n = k ) T (n) = { d falls n =, T (n/) + c falls n >. Teleskopieren: ( n ) ( n ) T (n) = T + c = T + c ( n ) = T + i c ( i n = T + c log n) n = d + c log n Annahme: T (n) = d + c log n 0 Analyse (Schlimmster Fall) T (n) = Vermutung : T (n) = d + c log n Beweis durch Induktion: { d falls n =, T (n/) + c falls n >. Induktionsanfang: T () = d. Hypothese: T (n/) = d + c log n/ Schritt (n/ n) T (n) = T (n/) + c = d + c (log n ) + c = d + c log n. Resultat Iterativer binärer Suchalgorithmus Theorem Der Algorithmus zur binären sortierten Suche benötigt Θ(log n) Elementarschritte. Input : Sortiertes Array A von n Schlüsseln. Schlüssel b. Output : Index des gefundenen Elements. 0, wenn erfolglos. l ; r n m (l + r)/ if A[m] = b then return m else if A[m] < b then l m + else r m return NotFound; 3

4 Korrektheit Algorithmus bricht nur ab, falls A[l..r] leer oder b gefunden. Invariante: Falls b in A, dann im Bereich A[l..r] Beweis durch Induktion Induktionsanfang: b A[..n] (oder nicht) Hypothese: Invariante gilt nach i Schritten Schritt: b < A[m] b A[l..m ] b > A[m] b A[m +..r]. Auswählen Min und Max Das Auswahlproblem Eingabe? Separates Finden von Minimum und Maximum in (A[],..., A[n]) benötigt insgesamt n Vergleiche. (Wie) geht es mit weniger als n Vergleichen für beide gemeinsam?! Es geht mit 3 n Vergleichen: Vergleiche jeweils Elemente und deren kleineres mit Min und grösseres mit Max. Unsortiertes Array A = (A,..., A n ) paarweise verschiedener Werte Zahl k n. Ausgabe: A[i] mit {j : A[j] < A[i]} = k Spezialfälle k = : Minimum: Algorithmus mit n Vergleichsoperationen trivial. k = n: Maximum: Algorithmus mit n Vergleichsoperationen trivial. k = n/ : Median.

5 Ansätze Pivotieren Wähle ein Element p als Pivotelement Wiederholt das Minimum entfernen / auslesen: O(k n). Median: O(n ) Sortieren (kommt bald): O(n log n) Pivotieren O(n)! Teile A in zwei Teile auf, den Rang von p bestimmend. 3 Rekursion auf dem relevanten Teil. Falls k = r, dann gefunden. p > > > p > > > > r n Algorithmus Partition(A[l..r], p) Korrektheit: Invariante Input : Array A, welches den Pivot p im Intervall [l, r] mindestens einmal enthält. Output : Array A partitioniert in [l..r] um p. Rückgabe der Position von p. while A[l] < p do l l + while A[r] > p do r r swap(a[l], A[r]) if A[l] = A[r] then l l + return l- Invariante I: A i p i [0, l), A i p i (r, n], k [l, r] : A k = p. while A[l] < p do l l + while A[r] > p do r r swap(a[l], A[r]) if A[l] = A[r] then l l + return l- I I und A[l] p I und A[r] p I und A[l] p A[r] I 0

6 Korrektheit: Fortschritt Wahl des Pivots while A[l] < p do l l + while A[r] > p do r r swap(a[l], A[r]) if A[l] = A[r] then l l + return l- Fortschritt wenn A[l] < p Fortschritt wenn A[r] > p Fortschritt wenn A[l] > p oder A[r] < p Fortschritt wenn A[l] = A[r] = p Das Minimum ist ein schlechter Pivot: worst Case Θ(n ) p p p 3 p p Ein guter Pivot hat linear viele Elemente auf beiden Seiten. p ɛ n ɛ n 3 Analyse Wie bekommen wir das hin? Unterteilung mit Faktor q (0 < q < ): zwei Gruppen mit q n und ( q) n Elementen (ohne Einschränkung q q). Der Zufall hilft uns (Tony Hoare, ). Wähle in jedem Schritt einen zufälligen Pivot. T (n) T (q n) + c n = c n + q c n + T (q n) =... = c n c n i=0 q i }{{} geom. Reihe +d = c n log q (n) i=0 q + d = O(n) q i + T () schlecht gute Pivots schlecht Wahrscheinlichkeit für guten Pivot nach einem Versuch: =: ρ. Wahrscheinlichkeit für guten Pivot nach k Versuchen: ( ρ) k ρ. Erwartungswert der geometrischen Verteilung: /ρ =

7 Algorithmus Quickselect (A[l..r], k) Input : Array A der Länge n. Indizes l k r n, so dass für alle x A[l..r] : {j A[j] x} l und {j A[j] x} r. Output : Wert x A[l..r] mit {j A[j] x} k und {j x A[j]} n k + if l=r then return A[l]; x RandomPivot(A[l..r]) m Partition(A[l..r], x) if k < m then return QuickSelect(A[l..m ], k) else if k > m then return QuickSelect(A[m +..r], k) else return A[k] Algorithmus RandomPivot (A[l..r]) Input : Array A der Länge n. Indizes l i r n Output : Zufälliger guter Pivot x A[l..r] repeat wähle zufälligen Pivot x A[l..r] p l for j = l to r do if A[j] x then p p + 3l+r until return x p l+3r Dieser Algorithmus ist nur von theoretischem Interesse und liefert im Erwartungswert nach Durchläufen einen guten Pivot. Praktisch kann man im Algorithmus Quickselect direkt einen zufälligen Pivot uniformverteilt ziehen oder einen deterministischen Pivot wählen, z.b. den Median von drei Elementen.