标签:check src 有一个 释放 概念 image block math 情况
一个哈希表多大合适?
数据量为\(n?\),如果哈希表无限大(>=\(n?\)),那么时间复杂度是\(O(1)?\)的,不过很显然,虽然节省了时间,但是浪费了空间.
实际上在我们不知道数据量的情况下,我们无法确定哈希表的大小,这时我们有个很美丽的数据结构->动态表
动态表的工作原理
接下来我们来分析一下插入操作的复杂度:
这个复杂度分析肯定是错的,理由是并不是每一项都是最坏的\(O(n)?\)的复杂度
这时就要用到平摊分析了,我们先从最简单的聚集分析说起.
容易发现,\(n\)个元素的插入必然需要一个\(n?\),但是只有当2的幂次的时候才会复制一遍
复杂度应该是:
\[
n+\sum_{j=0}^{\lfloor lg(n-1)\rfloor} 2^j
\]
右边这个最后也不会超过\(2n\)
证明
\[ \sum_{j=0}^{\lfloor log_2(n-1)\rfloor} 2^j<=2n \]
最后总复杂度为\(3n\),就是\(O(n)\),平均下来每个操作就是\(O(1)\).
用平摊分析来分析一个操作序列,证明每个操作的平均代价很小,尽管有个别操作可能代价很大.值得注意的是这个平均并没有用到概率论.它是最坏情况下的平均操作.就像上面这个例子,平均下来每步操作是常数级别的.\(\frac{O(n)}{n}?\)
综上所述:
上文采用的方法是聚集分析,在聚集分析中,如证明对所有的n,由n个操作所构成的序列的总时间在最坏情况下为\(O(n)\)。因此,在最坏情况下,每个操作的平均代价(或称平摊分析)为\(\frac{O(n)}{n}\)。请注意这个平摊代价对每个操作都是成立的,即使当序列中存在几种类型的操作时也是一样的。
换句话说,就是对\(n\)条操作整体考虑其复杂度,而不是单独考虑一条指令的最坏复杂度,然后再平摊.
但是,并不是所有情况都能像上文一样轻易地求出平摊复杂度,要采用更精确的方法.
算法导论上称为核算法
设想自己是一个财务会计,而你要做的就是给第\(i\)个操作“付钱”,设一个虚构的平摊代价,称之为\(\check C_i\),而每个操作的实际代价为\(C_i\) .
设每一步运算要花费1元.例如执行一次普通的插入操作要花费1元,由空间为2的表扩大为空间为4的表再复制需要2元.
如果还有剩余的钱,那就把钱存起来,用于支付以后的操作.
如果$ \check C_i?$不足以支付给这些操作,那就从银行里取出钱来付款.
存款余额要求不能是负数,当然所有的平摊代价减去操作代价的余额必须是非负数.
也就是相当于
\[
\sum_{i=1}^{n}C_i\leq \sum_{i=1}^{n}\check C_i
\]
以动态表为例:
初始设置\(\check C_i=3?\),其中1元用于插入,2元用于将表翻倍的预存费用.
当表扩大两倍,就从存款里取出1美元来移动新项,还有1美元来移动旧项.
当长度为8的时候:
里面的数字就是余额,前四个余额为0,这时开始执行插入操作
花费1元用于插入,余额为2元,插入四个之后:
通过这个计算,我只需要每个操作预设\(F_i=3\),就可以足够支付了.
这样就可以得到总复杂度是 \(3n\)
当然进行平摊分析并不只有一个可行方案,若将平摊代价设置为4也是可以的,但是设置为2就不行了.
对记账方法进行总结:
在平摊分析的记帐方法中,决定每一个操作的均摊成本,对不同的操作赋予不同的费用,某些操作的费用比它们的实际代价或多或少。我们对一个操作的收费的数量称为平摊代价\(\check C_i?\)。当一个操作的平摊代价超过了它的实际代价$ C_i ?$时,两者的差值就被当作存款,并赋予数据结构中的一些特定对象,可以用来补偿那些平摊代价低于其实际代价的操作。这种方法与聚集分析不同的是,对后者,所有操作都具有相同的平摊代价,对前者,操作的平摊代价被分解为实际代价和余额。数据结构中存储的总存款等于总的平摊代价和总的实际代价之差。注意:总存款不能是负的。在开始阶段的存款,是为了在后面的操作序列中再支付。
好的势能方法,就像初恋一样无法忘怀.
我们由数据结构\(D_0\)开始讲起
操作\(i\)将\(D_{i-1}\)转化为\(D_i\),操作\(i\)的操作代价还是$ C_i $
\(\Delta \phi_i=\phi(D_i)-\phi(D_{i-1})?\)是势能的改变量
势能法与记账法不同的是后者考虑的是平摊代价,前者考虑的是银行存款,也就是势能函数.
其中:
平摊代价正确性证明:
\[
\sum _{i=1}^{n}\check C_i = \sum_{i=1}^{n}(C_i+\phi(D_i)-\phi(D_{i-1}))
\]
\[ =\sum_{i=1}^{n}C_i+\phi(D_n)-\phi(D_0) \phi(D_0)=0 \phi(D_n) \geq 0 \]
\[ \geq \sum_{i=1}^{n}C_i \]
动态表的势能法分析:
定义势能函数\(\phi(D_i)=2i-2^{\lceil logi \rceil}\)
可得\(\phi(D_0)=2^{log0}=0\)
因为\(\lceil lgi \rceil?\)向上取整,所以最大取到$ lgi +1?$,所以\(2^{\lceil lgi \rceil}?\)最大取到\(2i?\),\(\phi(D_i)\ge0?\)
由$ \check C_i=C_i+\phi(D_i)-\phi(D_{i-1})$
实际代价\(C_i\)由上文可知分两种情况,一般情况下是\(1\),而当\(i-1\)为\(2\)的幂时为\(i\)
\[
\phi(D_i)-\phi(D_{i-1})=(2i-2^{\lceil lgi \rceil})-(2(i-1)-2^{\lceil lg(i-1)\rceil})
\]
\[ =2-2^{\lceil lgi \rceil}+2^{\lceil lg(i-1) \rceil} \]
分情况分析:当\(i-1\)为\(2\)的幂次时:
\[
\check C_i=i+2-2^{\lceil lgi \rceil}+2^{\lceil lg(i-1) \rceil}
\]
\[ = i+2-2(i-1)+i-1 =3 \]
其他情况:
\[
\check C_i=1+2-2^{\lceil lgi \rceil}+2^{\lceil lg(i-1) \rceil}
\]
\[ =1+2=3 \]
标签:check src 有一个 释放 概念 image block math 情况
原文地址:https://www.cnblogs.com/smallocean/p/12251446.html