Upload
francis-frye
View
54
Download
0
Embed Size (px)
DESCRIPTION
Selbstanordnende lineare Listen. Informatik II, SS 2008 Algorithmen und Datenstrukturen Vorlesung 16 Prof. Dr. Thomas Ottmann. Algorithmen & Datenstrukturen, Institut für Informatik Fakultät für Angewandte Wissenschaften Albert-Ludwigs-Universität Freiburg. Problemstellung. - PowerPoint PPT Presentation
Citation preview
Informatik II, SS 2008Algorithmen und Datenstrukturen
Vorlesung 16Prof. Dr. Thomas Ottmann
Algorithmen & Datenstrukturen, Institut für InformatikFakultät für Angewandte WissenschaftenAlbert-Ludwigs-Universität Freiburg
Selbstanordnende lineare Listen
Informatik II: Algorithmen und Datenstrukturen, SS 2008Prof. Dr. Thomas Ottmann 2
Problemstellung
Gegeben sei eine Menge von Objekten (Schlüsseln), auf die mit
• zeitlich veränderlichen
• unbekannten
Häufigkeiten zugegriffen wird.
Problem: Finde eine Speicherungsform, die die Zugriffskosten minimiert!
Lösungsidee: Speichere Schlüssel in eine sich selbst anordnenden linearen Liste! (Sequentiell gespeichert)
Informatik II: Algorithmen und Datenstrukturen, SS 2008Prof. Dr. Thomas Ottmann 3
Strategien für Selbstanordnung
MF (Move to front): Mache aktuelles Element zum ersten Listenelement
T (Transpose): Vertausche aktuelles Element mit seinem Vorgänger
FC (Frequency count): Führe eine Zugriffsstatistik mit und sortiere nach jedem Zugriff neu!
Informatik II: Algorithmen und Datenstrukturen, SS 2008Prof. Dr. Thomas Ottmann 4
Beispiel für Anwendung von MF (1)
Gegeben Liste L = < 1, 2, 3, 4, 5, 6, 7>
Zugriffskosten für Element an Position i seien i.
Zugriffsfolge s: 1, 2, ..., 7, 1, 2, ..., 7, ... ..., 1, 2, ..., 7
Kosten der Zugriffsfolge s:
10 mal
Informatik II: Algorithmen und Datenstrukturen, SS 2008Prof. Dr. Thomas Ottmann 5
Beispiel für Anwendung von MF (2)
Gegeben Liste L = < 1, 2, 3, 4, 5, 6, 7>
Zugriffskosten für Element an Position i seien i.
Zugriffsfolge s‘: 1, ..., 1, 2, ..., 2, ... ..., 7, ..., 7
Kosten der Zugriffsfolge s‘:
10 mal 10 mal 10 mal
Informatik II: Algorithmen und Datenstrukturen, SS 2008Prof. Dr. Thomas Ottmann 6
Beispiel für Anwendung von MF (3)
Gegeben Liste L = < 1, 2, 3, 4, 5, 6, 7>
Zugriffskosten für Element an Position i seien i.
10 maliger Zugriff auf jedes der Elemente 1, ..., 7 (in beliebiger Reihenfolge)
Kosten bei statischer Anordnung:
Ergebnis: MF kann besser sein, als ein (jede) statische Anordnung, besonders, wenn die Zugriffe gehäuft auftreten
Informatik II: Algorithmen und Datenstrukturen, SS 2008Prof. Dr. Thomas Ottmann 7
Beobachtungen
• MF-Regel ist „radikal“, aber (vielleicht) nicht schlecht!
• T-Regel ist „vorsichtiger“, aber:
Für L = <1, 2, ..., N-1, N> liefert die Zugriffsfolge N, N-1, N, N-1, ...
die durchschnittlichen Zugriffskosten N.
• FC-Regel benötigt zusätzlichen, prinzipiell nicht beschränkten Speicherplatz
Experimentelle Resultate zeigen:
T schlechter als FC,
MF und FC ungefähr gleich gut
MF hat Vorteile
Analyse: Mit Hilfe der amortisierten worst-case-Analyse
Informatik II: Algorithmen und Datenstrukturen, SS 2008Prof. Dr. Thomas Ottmann 8
Analyse der MF-Regel
MF (Move to front): Mache aktuelles Element zum ersten Listenelement.
Ziel: Vergleich von MF mit beliebiger Strategie A zur Selbstanordnung.
Für eine Folge s = s1, s2, ..., sm von m Zugriffsoperationen und für eine Strategie
A zur Selbstanordnung bezeichne:
CA(s) = Gesamtkosten (gesamte Zugriffskosten) zur Durchführung aller m
Operationen von s gemäß Strategie A
XA(s) = # kostenpflichtiger Vertauschungen (nach hinten)
FA(s) = # kostenfreier Vertauschungen (nach vorn)
Satz: Für jede Strategie A zur Selbstanordnung und jede Folge s vom m Zugriffs-Operationen gilt:
CMF(s) ≤ 2 CA(s) + XA(s) – FA(s) - m
Informatik II: Algorithmen und Datenstrukturen, SS 2008Prof. Dr. Thomas Ottmann 9
Analyse der Zugriffsregeln
Kostenmodell: Zugriff auf Element an Position i verursacht Kosten i
(1) Für MF, T, FC gilt: Für jede beliebige Zugriffsfolge s ist
XMF(s) = XT(s) = FC(s) = 0
(2) Für eine einzelne Zugriffsoperation o, die das Element an Position i betrifft, ist FA(o) ≤ CA(o) -1, und daher für eine Folge s von m Zugriffsoperationen FA(s) ≤ CA(s) -m
Informatik II: Algorithmen und Datenstrukturen, SS 2008Prof. Dr. Thomas Ottmann 10
Amortisierte Worst-Case-Analyse
Unter den amortisierten worst-case Kosten einer Folge o1, ..., on von Operationen, die auf einer gegebenen Struktur ausgeführt werden, versteht man die durchschnittlichen Kosten pro Operation für eine schlechtest mögliche Wahl der Folge o1, ..., on .
Genauer als simple, oft zu pessimistische worst-case-Analyse
Mögliche Vorgehensweisen bei der amortisierten worst-case-Analyse:
• Gesamtkosten der Operationsfolge berechnen und Durchschnitt bilden (Aggregat Methode)
• Bankkonto Paradigma: Bezahle für die „billigen“ Operationen (freiwillig) etwas mehr und bezahle die teueren von den Ersparnissen
• Potentialmethode
Informatik II: Algorithmen und Datenstrukturen, SS 2008Prof. Dr. Thomas Ottmann 11
Potentialmethode
Sei : D IR, D Menge der Zustände der DatenstrukturSeii das „Potential“ der Datenstruktur nach der i-ten Zugriffs Operation.
ti = wirkliche Kosten der i-ten Operation
Definiere die amortisierten Kosten ai der i-ten Zugriffs Operation durch:
ai =
Informatik II: Algorithmen und Datenstrukturen, SS 2008Prof. Dr. Thomas Ottmann 12
Vergleich einer Strategie A mit MF
Seien eine Zugriffsstrategie A und eine Zugriffsfolge gegeben.
Wende die Zugriffsfolge gemäß A und MF parallel an, beginnend mit der Liste L, und betrachte jeweils das Paar von Listen, das sich nach jeder Operation ergibt:
L L
LA LMF
LA LMF
Ordne jedem Paar (LA, LMF) ein Potential zu!
Informatik II: Algorithmen und Datenstrukturen, SS 2008Prof. Dr. Thomas Ottmann 13
Analyse mit Potentialfunktion
Betrachte die Wirkungen der Strategien MF und A bei Ausführung von s1, s2, ...
für eine Ausgangsfolge L,
und ordne jedem nach Ausführung der ersten l Operationen erreichten Zustand ein Potential l zu.
Informatik II: Algorithmen und Datenstrukturen, SS 2008Prof. Dr. Thomas Ottmann 14
Balance bal(L1, L2)
Definiere die Balance bal(L1, L2) zweier Listen L1 und L2, die dieselben Elemente in ggfs. unterschiedlicher Reihenfolge enthalten, als die Anzahl der Inversionen von Elementen in L1 bzgl. L2.
Informatik II: Algorithmen und Datenstrukturen, SS 2008Prof. Dr. Thomas Ottmann 15
Beispiel für die Berechnung der Balance
L1 = <3, 2, 1, 4, 6, 7, 5> L2 = <2, 1, 3, 6, 4, 7, 5>
Informatik II: Algorithmen und Datenstrukturen, SS 2008Prof. Dr. Thomas Ottmann 16
Normierung der Balance-Berechnung
Zur Berechnung der Balance bal(L1, L2) für zwei Listen L1 und L2 von n Zahlen kann man o.E. annehmen, dass L1 die Liste <1, 2, 3. ..., n> ist.
Informatik II: Algorithmen und Datenstrukturen, SS 2008Prof. Dr. Thomas Ottmann 17
Definition der Potentialfunktion
Das einem Paar von Listen, die nach der l-ten Operation mit Strategie MF und A entstehen, zugeordnete Potential l ist:
Informatik II: Algorithmen und Datenstrukturen, SS 2008Prof. Dr. Thomas Ottmann 18
Wirkung einer Zugriffsoperation, MF
LA
LMF
Informatik II: Algorithmen und Datenstrukturen, SS 2008Prof. Dr. Thomas Ottmann 19
Wirkung einer Zugriffsoperation, A
LA
LMF
Informatik II: Algorithmen und Datenstrukturen, SS 2008Prof. Dr. Thomas Ottmann 20
Berechnung der Potentialänderung