מבני נתונים 08

1. מבני נתונים 08 מיון

2. מיון CountSort מיון n מספרים שונים בתחום 1-k נשתמש במערך בוליני A באורך k 1 1 3 , 5 , 7 , 1 , 9 , 6 2 3 1 4 1 3 5 6 7 9 5 1 • אפס את A. • לכל x בקלט בצע:A[x] = 1 • עבור על המערך ואסוף:for (i = 1; i < k ; i++) { • if (A[i] = = 1 ) output i ; } 6 1 7 1 8 9 1

3. סיבוכיות מיון CountSort מיון n מספרים שונים בתחום 1-k • אפס את A. • לכל x בקלט בצע:A[x] = 1 • עבור על המערך ואסוף:for (i = 1; i < k ; i++) { • if (A[i] = = 1 ) output i ; } סבוכיות זמן אם סבוכיות זמן סתירה לחסם התחתון!

4. מיון CountSort מיון n מספרים שאינם בהכרח שונים בתחום 1-k 3 , 5 , 3 , 1 , 9 , 5 , 3 1 11 31 , 51 , 32 , 11 , 91 , 52 , 33 2 מיון יציב Stable sort 3 31 32 33 4 11, 31 , 32 , 33 , 51 , 52, 91 5 51 52 6 7 נשתמש במערך A באורך k של תורים 8 9 91 סבוכיות זמן

5. מיון CountSort סבוכיות זמן אם סבוכיות זמן אם סבוכיות זמן שיטת BucketSort אינה יעילה כאשר n המספרים לקוחים מתחום "רחב מדי" 1..k, כלומר כאשר n << k

6. מיון RadixSort Least Significant Digits 321 321 321 1 111 123 123 231 1 123 231 231 111 1 132 132 132 132 2 213 213 213 312 2 213 312 312 332 3 223 111 111 123 2 231 223 223 213 3 312 332 332 223 3 321 213 213 213 4 331

7. מיון RadixSort Radix-Sort(A,d) for i  1 to d do use BucketSort to sort array A on digit i RadixSort מיון מספרים סבוכיות זמן אם בסיס RadixSort ממין מספרים

8. מיון BucketSort דוגמה סבוכיות זמן אם תחום המספרים סבוכיות זמן מיון RadixSort בסיס סבוכיות זמן

9. תרגיל 1 • בהינתן n מספרים שלמים בטווח 1..ncכיצד ניתן למיין בזמן O(n∙c) • פתרון • נתחיל ממספרים בטווח 1..n2 האם ניתן למיין אותם בO(n)? • אילו אלגוריתמים אנו מכירים שממיינים בזמן לינארי? • Counting sort – בהנתן n מספרים בטווח 0..k • נכתוב כל מספר בבסיס n, כמה ספרות? • נמיין כמו radix sort, O(n) לכל ספרה ולכן 2O(n)=O(n) • עבור הבעיה המקורית כמה ספרות יהיו לנו?

10. חסמים עליונים ותחתונים חסם עליון: הוכחה לזמן ריצה מקסימלי עבור כל קלט. למשל: נוסחאות נסיגה, פונקציית פוטנציאל חסם תחתון: קלט לדוגמא עבורו האלגוריתם לוקח הרבה זמן. נניח שהוכחנו שאלגוריתם מסויים פותר את הבעיה לכל קלט בזמן O(t) אזי O(t) הוא חסם עליון לזמן הנדרש לפתור את הבעיה WC

11. איך נמצא חסם הדוק לבעיה? זה לא אומר שאין אלגוריתם שפותר את הבעיה בזמן O(1) עבור קלטים מסוימים! נניח הוכחנו שעבור בעיה מסוימת קייםאלגוריתם שפותר את הבעיה לכל קלט בגודל n, בזמן O(logn). כדי למצוא חסם תחתון לבעיה יש להוכיח ש: לכלאלגוריתם שפותר את הבעיה קיים קלט שעבורו זמן הריצה הוא Ω(logn).

12. חסמי זמן ריצה לבעיה חסם עליון O(t): אלגוריתם לדוגמא שפותר את הבעיה לכל קלט בזמן O(t) חסם תחתון Ω(t): מיפוי כל אלגוריתם לעץ החלטות בגובה Ω(t) רדוקציה לבעיה שהוכחנו בכיתה עם חסם תחתון על זמן הריצה (מיון או חיפוש בינארי במודל ההשוואות). זמן קריאת הקלט. למשל: כל אלגוריתם לבעיית מציאת המינימום מ-n מספרים חייב לעבור על כל הקלט ולכן לוקח זמן Ω(n)

13. חסם תחתון על מיון על ידי השוואות n! • אם אלגוריתם המיון שלנו מתבצע רק ע"י השוואות, כמה סידורים אפשריים יש ל-n אברים? • יש n! סידורים אפשריים • For <a,b,c> • a,b,c • a,c,b • b,a,c • b,c,a • c,a,b • c,b,a

14. חסם תחתון על מיון על ידי השוואות • ניתן לייצג כל אלגוריתם מיון (השוואתי) על ידי עץ החלטות בינארי • למה ניתן לייצג כעץ? • למה דווקא כעץ בינארי? • בעץ עצמו • כל צומת מייצגת את הסידור החלקי כפי שידוע לנו עד נקודה זו • קשתות העץ הן תוצאות ההשוואות

15. חסם תחתון על מיון על ידי השוואות > > > > >

16. חסם תחתון על מיון על ידי השוואות • מס' ההשוואות המקסימאלי = עומק העלה העמוק ביותר בעץ • מס' ההשוואות הממוצע = עומק עלה ממוצע • עץ החלטה למיין n אברים הוא בעל n! עלים בהכרח • עץ בינארי מעומק d הוא בעל 2d עלים לכל היותר • עץ בינארי בעל 2dעלים חייב להיות בעל עומק d • עץ בעל n! עלים חייב להיות מעומק של לפחות |log(n!)| • ולכן כל אלגוריתם מיון מבוסס השוואות דורש לפחות |log(n!)| השוואות במקרה הגרוע ביותר.

17. חסם תחתון על מיון על ידי השוואות

18. חסם תחתון על חיפוש • מה החסם התחתון על חיפוש במערך ממוין? • במקרה הגרוע ביותר נשווה לכל איבר • ז"א בעץ יש n עלים • מה העומק המינימלי של עץ בינארי בעל n עלים? • זמן לוגריתמי O(logn)

19. תרגיל 2 • כמה "יקר" להפוך ערמה לעץ חיפוש בינארי? • נראה שהחסם התחתון הוא nlogn • נפתור ברדוקציה על דרך השלילה • נניח שניתן להפוך ערמה לעץ חיפוש בינארי ב-f(n) • בהינתן n מספרים, מיינו את המספרים (במודל ההשוואה) • נבנה ערמה בזמן לינארי (O(n)) • נמיר את הערמה לעץ בינארי מאוזן בזמן f(n) • נעבור על העלים ב-in order ונדפיס אותם (ממוינים) בזמן לינארי • סה"כ זמן – O(n) + f(n) + O(n) • לכן, אם f(n)<<n∙log(n) ניתן למיין n מספרים בזמן קטן מ-O(n∙logn) ואנו יודעים שזה בלתי אפשרי. מ.ש.ל

20. תרגיל 3 הוכיחו כי לא יכול להיות אלגוריתם במודל ההשוואות בו עבור קלט באורך n, לפחות חצי מהפרמוטציות האפשריות של המספרים מ-1 עד n ניתנות למיון בזמן ליניארי.(עבור המחצית השניה של הפרמוטציות, לאלגוריתם מותר להחזיר כל דבר, אפילו סדר שגוי).

21. Selection

22. תרגיל 2 • בהינתן מערך (לא ממוין) בעל n אברים, מצא את k האברים הקטנים ביותר במערך בזמן O(n) • פתרון • בהנחה שאנו יודעים מיהו האבר ה-k הקטן ביותר (ז"א statistic order k), כמה זמן דרוש למצוא את שאר האברים הדרושים? • סה"כ • O(n) למצוא את האבר הk קטן ביותר • O(n) לעבור על המערך ולסמן את כל הקטנים ממנו

23. תרגיל 3 ... ... ... • אבר מסוים מופיע במערך n/5 פעמים, באיזו מהירות ניתן למצוא אותו? • האבר חוזר במערך הרבה פעמים • מה אם המערך היה ממוין? • איך ננצל את העובדה הזו? n/6 intervals

24. תרגיל 3 • פתרון • נמצא את ה-order statistics הבאים • n/6 • 2n/6 • 3n/6 • … • אחד מהם חייב להיות בוודאות האיבר המופיע n/5 פעמים • סה"כ סיבוכיות - לינארית

25. תרגיל 4 x A y B AUB y חציון x • מציאת חציון משותף לשני מערכים ממוינים שאין להם אברים משותפים • פתרון • זמן לינארי? • זמן לוגריתמי? • נמצא חציון של כל אחד מהם, נניח בה"כ כי x<y • איפה יהיה החציון של האיחוד? • ניפטר מכל מה שמתחת לx וכל מה שמעל לy • נחזור על התהליך רקורסיבית

26. תרגיל 5 • במערך אבר מסוים מופיע n/2 פעמים, אחר n/4 פעמים, הבא n/8 פעמים וכו' • כיצד ניתן למיין את המערך ובאיזו מהירות? • פתרון • ניתן לעשות זאת בזמן לינארי • מוצאים את זה שמופיע הכי הרבה, רצים ומוציאים אותו מהמערך, ממשיכים רקורסיבית ובסוף ממיינים את logn הערכים • אפשר להראות למה החסם התחתון לינארי

27. הסוף שבוע נעים