1 © alberto montresor algoritmi e strutture dati capitolo 10 - code con priorità e insiemi...

1© Alberto Montresor

Algoritmi e Strutture DatiCapitolo 10 - Code con priorità e insiemi disgiunti

Alberto MontresorUniversità di Trento

This work is licensed under the Creative Commons Attribution-NonCommercial-ShareAlike License. To view a copy of this license, visit http://creativecommons.org/licenses/by-nc-sa/2.5/ or send a letter to Creative Commons, 543 Howard Street, 5th Floor, San Francisco, California, 94105, USA.


Introduzione

✦Strutture dati viste finora

✦Sequenze, insiemi e dizionari

✦Strutture “speciali”

✦Le operazioni base (inserimento, cancellazione, lettura, etc.) possono non essere sufficienti: a volte è necessario inventarsene di nuove

✦Se non tutte le operazioni sono necessarie, è possibile realizzare strutture dati più efficienti, “specializzate” per particolare compiti


Code con priorità

✦L'idea

✦Una struttura dati – detta heap – che mantiene dati in modo parzialmente ordinato

✦Utilizzazioni

✦Code con priorità✦Gli oggetti vengono estratti dalla coda in base alla loro priorità

✦Heapsort✦Algoritmo di ordinamento✦Costo computazionale: O(n log n)✦Ordinamento sul posto


Alberi binariAlberi binari

✦Albero binario perfetto

✦Tutte le foglie hanno la stessa profondità h

✦Nodi interni hanno grado 2

✦Un albero perfetto

✦Ha altezza log⎣ N⎦

✦Altezza h → #nodi= 2h+1-1

✦Albero binario completo

✦Tutte le foglie hanno profondità h o h-1

✦Tutti i nodi a livello h sono “accatastati” a sinistra

✦Tutti i nodi interni hanno grado 2, eccetto al più uno


Alberi binari heapAlberi binari heap

✦Un albero binario completo è unalbero max-heap sse

✦Ad ogni nodo i viene associato un valore A[i]

✦A[p(i)] ≥ A[i]

✦Un albero binario completo è unalbero min-heap sse

✦Ad ogni nodo i viene associato un valore A[i]

✦A[p(i)] ≤ A[i]

✦Le definizioni e gli algoritmi di max-heap sono simmetrici rispetto a min-heap

16

14 10

8 7 9 3

2 4 1

Max heap


Alcune informazioni sugli alberi heapAlcune informazioni sugli alberi heap

✦Un albero heap non impone alcuna relazione di ordinamento fra i figli di un nodo

✦Un albero heap è un ordinamento parziale

✦Riflessivo: Ogni nodo è ≥ di se stesso

✦Antisimmetrico: se n≥m e m≥n, allora m=n

✦Transitivo: se n≥m e m≥r, allora n≥r

✦Ordinamenti parziali

✦Utili per modellare gerarchie complesse o mantenere informazioni parziali

✦Nozione più debole di un ordinamento totale...

✦Ma più semplice da costruire

16

14 10

{a,b}

{a} {b}

16

14 10

∅


Array heapArray heap

✦E' possibile rappresentare un albero binario heap tramite un array heap (oltre che tramite puntatori)

✦Come è fatto?

✦Array A[1..n]

✦Come è organizzato?

✦A[1] contiene la radice

✦p(i) = ⎣i/2⎦

✦l(i) = 2i

✦r(i) = 2i+1

16

14 10

8 7 9 3

2 4 1

A[1]

A[2] A[3]

A[4] A[5] A[6] A[7]

A[8]A[9]

A[10]

16 14 10 8 7 9 3 2 4 1

n = 10


Array heapArray heap

✦Ricapitolando:

✦Array max-heap: A[i] ≥ A[2i], A[i] ≥ A[2i+1]

✦Procedure per gestire heap

✦maxHeapRestore - O(log n) ✦Un algoritmo che mantiene la proprietà di max-heap

✦heapBuild - O(n)✦Un algoritmo che costruisce un max-heap da zero

✦heapsort - O(n log n)✦Ordina sul posto un array

www.xkcd.com

http://www.xkcd.com/


maxHeapRestore()

✦Input

✦Un array A e un indice i

✦Gli alberi binari con radici l(i) e r(i) sono max-heap

✦E' possibile che A[i] sia minore di A[l(i)] o A[r(i)]✦In altre parole: il sottoalbero con radice i può non essere un max-heap

✦Scopo

✦Ripristinare la proprietà di max-heap sul sottoalbero con radice i

✦Facendo “scendere” l'elemento A[i] nell'array

10

© Alberto Montresor

maxHeapRestore()

11


maxHeapRestore()

✦Domanda: Esempio di funzionamento

✦5, 15, 12, 9, 10, 7, 4, 3, 6, 8, 2

✦E' un array max-heap?

✦E' possibile applicare maxHeapRestore() alla radice?

✦Domanda:

✦Qual è la complessità in tempo di maxHeapRestore()?

✦Domanda

✦Dimostrare la correttezza di maxHeapRestore()

12


heapBuild()

✦Principio generale

✦Sia A[1..n] un array da ordinare

✦Tutti i nodi A[⎣n/2 +1 ... ⎦ n] sono foglie dell'albero e quindi heap di un elemento da cui iniziare

✦La procedura heapBuild() attraversa i restanti nodi dell'albero ed esegue maxHeapRestore()

13


heapBuild()


✦14, 45, 28, 34, 15, 20, 12, 30, 21, 25, 16, 22

✦Domanda: Correttezza

✦Esprimere un'invariante di ciclo

✦Dimostrare la sua correttezza

✦Domanda – Complessità

✦Qual è la complessità di heapBuild()?

14

45 28

34 15 20 12

30 21 25 16 22

14


Complessità

✦Le operazioni maxHeapRestore() vengono eseguite su heap di altezza variabile

✦Viene eseguito ⎡n/2 volte su heap di altezza 0⎤



✦...Viene eseguito ⎡n/2h+1 volte su heap di altezza ⎤ h

✦Da cui si deduce

✦Ricordate:

✦Per x < 1

15


Ordinamento tramite heapOrdinamento tramite heap

✦Intuizione

✦Il primo elemento dello heap è sempre il massimo

✦Andrebbe collocato nell'ultima posizione

✦L'elemento in ultima posizione? In testa!

✦Chiama maxHeapRestore() per ripristinare la situazione

16


heapsort()


✦14, 45, 28, 34, 15, 20, 12, 30, 21, 25, 16, 22

✦Domanda: Correttezza

✦Esprimere un'invariante di ciclo

✦Dimostrare la sua correttezza

✦Domanda: Complessità

✦Qual è la complessità di heapsort()?

45

34 28

30 25 22 12

14 21 15 16 20

17


EserciziEsercizi

✦Esercizio

✦Dimostrare che uno heap con n nodi ha altezza θ(log n)

✦Esercizio

✦Scrivere un'implementazione iterativa di maxHeapRestore()(in pseudo-codice)

✦Esercizio

✦Dimostrare che il tempo di esecuzione nel caso peggiore di maxHeapRestore() è Ω(log n)

✦Esercizio

✦Implementare heapsort() nel vostro linguaggio preferito

18


Code con prioritàCode con priorità

✦Coda con priorità

✦Una struttura dati che serve a mantenere un insieme S di elementi x, ciascuno con un valore associato di priorità

19


Specifica

20



Esempio di utilizzo Simulatore event-driven

Ad ogni evento è associato un timestamp di esecuzione

Ogni evento può generare nuovi eventi, con timestamp arbitrari

Una coda con min-priorità può essere utilizzata per eseguire gli eventi in ordine di timestamp

Esempi di organizzazione

3p ev

7p ev 5p ev

evento3p ev

4p ev

5p ev

6p ev

8p ev

7p ev

21



22


Inserimento

23


Code con priorità - minHeapRestore()Code con priorità - minHeapRestore()

24


Rimozione del minimo e riduzione priorità

25


Code con priorità

✦Esercizio

✦Qual è la complessità delle operazioni sulle code con priorità?

✦Esercizio

✦Scrivere lo pseudocodice di una versione heapBuild() basata sulla insert()

✦Le due procedure creano lo stesso heap? Dimostrare o produrre un esempio contrario

✦Qual è la complessità di questa versione di heapBuild()?

✦Esercizio

✦L'azione di delete(PriorityItem x) cancella l'elemento x dallo heap. Scrivete una versione di delete() che operi in tempo O(log n).

26


Struttura dati per insiemi disgiunti

✦Motivazioni

✦In alcune applicazioni siamo interessati a gestire insiemi disgiunti di oggetti

✦Esempio: componenti di un grafo

✦Operazioni fondamentali: ✦unire più insiemi✦identificare l'insieme a cui appartiene un oggetto

✦Struttura dati

✦Una collezione S = { S1, S2, ..., Sn } di insiemi dinamici disgiunti

✦Ogni insieme è identificato da un rappresentante univoco

27


Scelta del rappresentante

✦Il rappresentante può essere un qualsiasi membro dell’insieme Si

✦Operazioni di ricerca del rappresentante su uno stesso insieme devono restituire sempre lo stesso oggetto

✦Solo in caso di unione con altro insieme il rappresentante puòcambiare

✦Il rappresentante può essere un elemento specifico dell’insieme

✦Si devono definire le caratteristiche degli insiemi e una regola per caratterizzare il rappresentante

✦Esempio: l’elemento più piccolo/grande di un insieme

28


Primitive degli insiemi disgiunti (Merge-Find)Primitive degli insiemi disgiunti (Merge-Find)

29


EsempioEsempio

1 2 3 4 5 6

1 2 3 4 5 61, 2 3 4 5 6

1 2 3 4 5 61, 2 3,4 5 6

1 2 3 4 5 61, 2 3,4 5,6

1 2 3 4 5 61, 2, 3, 4 5,6

1 2 3 4 5 61, 2, 3, 4, 5, 6

mfset(6)

merge(1,2)

merge(3,4)

merge(5,6)

merge(1,3)

merge(1,5)

30


Esempio: come utilizzare Merge-Find

✦Determinare le componenti connesse di un grafo non orientato dinamico

✦Algoritmo

✦Si inizia con componenti connesse costituite da un unico vertice

✦L'operazione merge(find(u), find(v)) viene eseguita per ogni arco (u,v)

✦Alla fine, avremo l'insieme delle componenti connesse

✦Complessità

✦Costo: O(n) + m operazioni merge()

✦Questo algoritmo è interessante per la capacità di gestire grafi dinamici (in cui gli archi vengono aggiunti)

31


Implementazione di Union-FindImplementazione di Union-Find

✦Algoritmi elementari:

✦Realizzazione basata su liste✦find(): O(1); merge(): O(n)

✦Realizzazione basata su alberi✦merge(): O(1); find(): O(n)

✦Algoritmi basati su euristiche di bilanciamento

✦Realizzazione basata su liste + Euristica sul peso

✦Realizzazione basata su alberi + Euristica sul rango

✦Algoritmi finale

✦Alberi + rango + compressione dei percorsi

32


Realizzazione basata su listeRealizzazione basata su liste

✦Ogni insieme viene rappresentato con una lista concatenata

✦Il primo oggetto di una lista è il rappresentante dell’insieme

✦Ogni elemento nella lista contiene: ✦un oggetto✦un puntatore all’elemento successivo✦un puntatore al rappresentante

c h e b

Può esserevisto come un albero di

altezza 1

#headtail

33


Realizzazione basata su liste

✦L’operazione find(x) richiede tempo O(1)

✦Si restituisce il rappresentante di x

✦L’operazione merge(x,y) è più complessa:

✦Si “appende” la lista che contiene y alla lista che contiene x

✦I puntatori ai rappresentanti della lista “appesa” devono essere modificati

✦Costo nel caso pessimo per n operazioni: O(n2)✦Costo ammortizzato: O(n)✦merge(2,1), merge(3,1), merge(4,1), etc.

34


QuickFind: Esempio - merge(h, g)

c h e b f g d z

c h e bf g d z

35


Realizzazione basata su alberi (foreste)Realizzazione basata su alberi (foreste)

✦Implementazione basata su foresta

✦Si rappresenta ogni insieme tramite un albero radicato

✦Ogni nodo dell'albero contiene✦l'oggetto✦un puntatore al padre

✦Il rappresentante è la radice dell'albero

✦La radice ha come padre un puntatorea se stessa

✦Nota: generalmente migliore, non più veloce delle liste nel caso pessimo

c

eh

b

f

d

g

36


Realizzazione basata su alberiRealizzazione basata su alberi

✦Operazioni e costo

✦find(x) ✦Risale la lista dei padri di x fino a trovare la radice e restituisce la radice come oggetto rappresentante✦Costo: O(n) nel caso pessimo

✦merge(x,y)✦Appende l'albero radicato in y ad x✦Costo: O(1)

37


Realizzazione basata su alberi: Esempio – merge(c, f)

c

eh

b

f

d

g

c

eh

b

f

d

g

38


Realizzazione basata su alberi: Esempio – merge(c, f)Realizzazione basata su alberi: Esempio – merge(c, f)

c

e

f

d

g

c

e f

d

g

39


Considerazioni

✦Quando usare....

✦Realizzazione basata su liste?✦Quando le merge() sono rare e le find() frequenti

✦Realizzazione basate su alberi?✦Quando le find() sono rare e le merge() frequenti

✦E' importante sapere che esistono tecniche euristiche che permettono di migliorare questi risultati:

✦Fino a operazioni in tempo ammortizzato O(1) per tutte le utilizzazioni pratiche

40


Realizzazione basata su liste: Euristica pesoRealizzazione basata su liste: Euristica peso

✦Una strategia per diminuire il costo dell’operazione merge():

✦Memorizzare l’informazione sulla lunghezza della lista

✦Appendere la lista più corta a quella più lunga

✦La lunghezza della lista può essere mantenuta in tempo O(1)

c h e b f g24

41


Realizzazione basata su liste: Euristica pesoRealizzazione basata su liste: Euristica peso

✦Una strategia per diminuire il costo dell’operazione merge():

✦Memorizzare l’informazione sulla lunghezza della lista

✦Appendere la lista più corta a quella più lunga

✦La lunghezza della lista può essere mantenuta in tempo O(1)

6

f gc h e b

42


Realizzazione basata su alberi: Euristica sul rangoRealizzazione basata su alberi: Euristica sul rango

✦Ogni nodo mantiene informazioni sul proprio rango

✦il rango rango[x] di un nodo x è il numero di archi del cammino più lungo fra x e una foglia sua discendente

✦rango ≡ altezza del sottoalbero associato al nodo

✦Unione di due albericon rango diverso

c

eh

b

f

d+ c

eh

b

f

d

=

✦ Unione di due albericon rango uguale

c

eh

b

f

d+ c

eh

b

f

d

=

g

g

43


Compressione dei camminiCompressione dei cammini

✦Compressione dei cammini: idea

✦Utilizzata durante le operazioni find(x)

✦L'albero viene modificato in modo che ricerche successive di x possano completare in O(1)

✦Esempio: operazione find(f)

be

df

bedf

44


Compressione dei cammini + rango

✦Quando si utilizzano entrambe le euristiche:

✦Il rango non è più l'altezza del nodo ...

✦...ma il limite superiore all'altezza del nodo

✦In altre parole:

✦Le operazioni di compressione dei cammini NON riducono il rango

✦Sarebbe troppo complesso mantenere le informazioni di altezzacorrette

✦In ogni caso, non è necessario

45


Realizzazione basata su alberi + rango + compressione dei camminiRealizzazione basata su alberi + rango + compressione dei cammini

46


ComplessitàComplessità

Valutiamo ora la complessità di: Liste + Euristica sul peso

Alberi + Euristica sul rango

Alberi + Euristica sul rango + Compressione dei cammini

Alla lavagna!

Ne segue che tutte queste implementazioni (e in particolare l'ultima) sono ampiamente utilizzabili in pratica

1 © alberto montresor algoritmi e strutture dati capitolo 10 - code con priorità e insiemi...

Documents