1 / 13

a1:a2

Insertion-Sort. a1:a2. . . a2:a3. a1:a3. . . . . a1:a3. <a2,a1,a3>. a 2 :a 3. <a1,a2,a3>. . . . . <a1,a3,a2>. <a2,a3,a1>. <a3,a1,a2>. <a3,a2,a1>. Selection-Sort. a1:a2. . . a1:a3. a2:a3. . . . . a 1 :a 3. a2:a3. a2:a1. a 1 :a 2. . . . . .

perry-avery
Télécharger la présentation

a1:a2

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. Insertion-Sort a1:a2   a2:a3 a1:a3     a1:a3 <a2,a1,a3> a2:a3 <a1,a2,a3>     <a1,a3,a2> <a2,a3,a1> <a3,a1,a2> <a3,a2,a1> Selection-Sort a1:a2   a1:a3 a2:a3     a1:a3 a2:a3 a2:a1 a1:a2       <a2,a3,a1> <a3,a2,a1> <a1,a3,a2> <a1,a2,a3> <a2,a1,a3> <a3,a1,a2>

  2. Esercizio 2 • Consideriamo una funzione f(n) tale che: • f(n) = (n log2(n)) • La relazione precedente implica anche: • f(n) = (n logB(n)) B = base generica • ----------------------------------------- • Infatti: • f(n) = (n log2(n))  c, n0 > 0 tali che  n  n0 • 0  c n log2(n) f(n) • Notiamo che: • log2(n) = logB(n) / logB(2) • Posso definire c’ = c / logB(2). Vale allora la relazione: • n  n0 0 c’ n logB(n)  f(n) Da cui segue: f(n) = (n logB(n))

  3. Esercizio – Fusione di due sequenze ordinate Considerare il problema della fusione di 2 sequenze ordinate di lunghezza n/2 in una sequenza ordinata di lunghezza n. Scrivere un algoritmo, analizzarne la complessità, valutare se l’algoritmo scritto è un algoritmo ottimale. • Alcune domande preliminari: • Lower bound ? Boh…quello banale è pari ad Ω(n) • Upper bound ? Vediamo…parto con un algoritmo banale Merge1(A,B) For i 1 to n/2 do C[i]  A[i] C[n/2+i]  B[i] Insertion-Sort(C) • L’algoritmo è corretto? • SI • Complessità temporale e spaziale dell’algoritmo? • O(n2), come l’Insertion Sort • L’algoritmo è ottimale? •  Direi di NO…

  4. Un altro algoritmo di fusione… Merge2(A,B) i  1 j  1 While (i  n/2) and (j  n/2) do if (A[i] < B[j]) then C[i+j-1]  A[i] i  i + 1 else C[i+j-1]  B[j] j  j + 1 If (i > n/2) then for k  j to n/2 do C[k+n/2]  B[k] else for k  i to n/2 do C[k+n/2]  A[k] • L’algoritmo è corretto? • SI • Complessità temporale e spaziale dell’algoritmo? • O(n) • L’algoritmo è ottimale? • SI!!

  5. Algoritmi di ordinamento ottimali Problema dell’ ordinamento per confronto: Lower bound - (n log(n)) considerazioni teoriche Upper bound – O(n2) IS,SS Proviamo a costruire un algoritmo ottimale. • Notiamo che: • IS e SS utilizzano un approccio incrementale • alla k-esima iterazione essi producono una sequenza • ordinata di k elementi

  6. L’ approccio incrementale non è l’unico approccio possibile: • Approccio divide-et-impera (divide-and-conquer) • - Il problema è diviso in un certo numero di sotto-problemi (divide) • I sottoproblemi vengono risolti separatamente (impera); • Le soluzioni dei sottoproblemi vengono combinate per ottenere la soluzione del problema iniziale (combina).

  7. Algoritmo Merge-Sort Merge-Sort(A, p, r) If (p < r) then q = (p+r)/2  Merge-Sort(A, p,q) Merge-Sort(A, q+1, r) Merge(A, p, q, r) Merge(A, p, q, r) Assume che: A[p …… q] ordinata A[q+1 …… r] ordinata Genera: A[p …… r] ordinata Per ordinare A si lancia Merge-Sort(A,1,n) Funzionamento del Merge-Sort per n=8: valore dei parametri p,r Merge-Sort 1,8 p,r 1,4 5,8 3,4 1,2 5,6 7,8 3,3 7,7 5,5 4,4 6,6 8,8 2,2 1,1

  8. Funzionamento del Merge-Sort: progressione delle chiamate ricorsive p1 =1 r1 =8 q1 =4 Merge-Sort p2 =1 r2 =4 q2 =2 p2 =5 r2 =8 q2 =6 p3 =1 r3 =2 q3 =1 p3 =5 r3 =6 q3 =5 p3 =7 r3 =8 q3 =7 p3 =3 r3 =4 q3 =3 p4 =3 r4 =3 q4 = p4 =7 r4 =7 q4 = p4 =5 r4 =5 q4 = p4 =6 r4 =6 q4 = p4 =8 r4 =8 q4 = p4 =2 r4 =2 q4 = p4 =1 r4 =1 q4 = p4 =4 r4 =4 q4 =

  9. Funzionamento del Merge-Sort: un esempio n = 8 A = < 5,2,4,6,1,3,8,7 > Merge-Sort 5,2,4,6,1,3,8,7 1,2,3,4,5,6,7,8 5,2,4,6 1,3,8,7 2,4,5,6 1,3,7,8 5,2 4,6 1,3 8,7 4,6 1,3 7,8 2,5 5 1 3 8 7 2 4 6

  10. Complessità temporale del Merge Sort Merge-Sort(A, p, r) If (p < r) then q = (p+r)/2  Merge-Sort(A, p,q) Merge-Sort(A, q+1, r) Merge(A, p, q, r) Ci aspettiamo che il comportamento asintotico del Merge-Sort sia migliore del comportamento asintotico di IS e SS. Infatti, l’approccio ricorsivo dovrebbe aggirare i problemi indotti dall’approccio incrementale.

  11. Complessità temporale del Merge-Sort Merge-Sort(A, p, r) If (p < r) then q = (p+r)/2  Merge-Sort(A, p,q) Merge-Sort(A, q+1, r) Merge(A, p, q, r) Il Merge-Sort è un algoritmo ricorsivo Il tempo di esecuzione del MS verifica un equazione di ricorrenza Tms(n) = d(n) + 2*Tms(n/2) + c(n) d(n)  tempo necessario a dividere in  (1) 2 sequenze lunghe n/2 c(n)  tempo necessario per combinare  (n) 2 sequenze ordinate di n/2 elementi (Merge()) Tms(n) = 2 *Tms(n/2) + f(n) f(n) = d(n) + c(n) = (n) Questa equazione vale per tutti i valori di n eccetto che per n=1: Notare: Se conoscessi Tms(n/2), potrei determinare Tms(n).

  12. Teorema principale Siano a,b,c costanti non negative. La soluzione dell’ equazione di ricorrenza: T(n) = b per n = 1 aT(n/c) + b n per n > 1 è: Θ(n) se a < c T(n)= Θ(n log n) se a = c Θ(n logca) se a > c

  13. Nel caso del Merge-Sort, a=b=2 La complessità temporale dell’algoritmo Merge-Sort è: T(n) = (nlogn) Ciò implica che l’algoritmo Merge-Sort è un algoritmo di ordinamento ottimale!!

More Related