文章目录
- 一、散列
- 1.循对象访问
- 2.原理
- 3.冲突
- 二、散列函数
- 1.基本
- 2.随机数
- 3.hashCode与多项式法
- 三、排解冲突
- 1.开放散列
- 2.封闭散列
- 3.懒惰删除
- 4.重散列(Rehashing)
- 5.平方试探
- 6.双向平方试探
- 7.双散列(Double Hashing)
- 四、桶排序
- 1.算法
- 2.最大缝隙
- 五、基数排序
- 1.算法与实现
- 2.整数排序
- 六、计数排序
- 1.算法
- 2.实例
一、散列
1.循对象访问
1.1 联合数组:更直接、更有效的访问
- 根据数据元素的取值,直接访问
- style[“关羽”] = “云长”
- style[“张飞”] = “翼德”
- style[“赵云”] = “子龙”
- style[“马超”] = “孟起”
- 下标不再是整数,甚至没有大小次序 ——更为直观、便捷
1.2 词条(entry)~ 映射/词典(Map/Dictionary)
- entry = (key, value)
- Map/Dictionary:词条的集合
- 关键码禁止/允许雷同
- get(key) put(key, value) remove(key)
- 关键码未必可定义大小,元素类型较BST更多样
- 查找对象不限于最大/最小词条,接口功能较PQ更强大
1.3 词典
template <typename K, typename V> //key、value
struct Dictionary {
virtual int size() = 0;
virtual bool put( K, V ) = 0;
virtual V* get( K ) = 0;
virtual bool remove( K ) = 0;
};
- 词典中的词条只需支持判等/比对操作
2.原理
2.1 电话:号码 ~ 人
2.2 电话簿
- 需求: 为一所学校制作电话簿
- 号码 --> 教员、学生、员工、办公室
- 蛮力: 用户记录 ~ 数组Rank ~ 电话号码 (O(1)效率)
- 可能的电话 = R= 10^8 = 100M ,实有的电话 = N= 25,000 = 25K
- 问题:
- 空间 = O(R/N)= O(100M + 25K)
- 效率 = 25K / 100M = 0.025%
2.3 散列表 / 散列函数
- 桶(bucket):直接存放或间接指向一个词条
- Bucket array ~ Hashtable(哈希表)
- 容量:M
- 满足:
- 空间:O(N+M)=O(N)
- 定址/杂凑/散列
- 根据词条的key(未必可比较)
- “直接”确定散列表入口(无论表有多长)
- 散列函数: hash():key->&entry
- “直接”:expected-O(1)≠O(1)
2.4 实例
3.冲突
3.1 同义词(synonym)
but
3.2 装填因子 vs. 冲突
- load factor:λ=N/M
- λ越大/小
- 空间利用率越高/低
- 冲突的情况越严重/轻微
- 通过降低λ,冲突程度将会有所改善,但只要数据集在动态变化,就无法彻底杜绝
3.3 完美散列
- 在某些条件下,的确可以实现单射(injection)式散列
- 数据集已知且固定时,可实现完美散列(perfect hashing)
- 采用两级散列模式
- 仅需O(n)空间
- 关键码之间互不冲突
- 最坏情况下的查找时间也不过O(1)
- 不过在一般情况下,完美散列可期不可求
3.4 生日悖论
- 将在座同学(对应的词条)按生日(月/日)做散列存储
- 散列表长M = 365,装填因子 = 在场人数N / 365
- 冲突(至少有两位同学生日相同)的可能性P365(n)
- P365(1) = 0, P365(2) = 1/365, …, P365(22) = 47.6%, P365(23) = 50.7%, …
- 100人的集会:1 - p365(100) = 0.000,031%
- 自7岁起,不吃不喝、无休无息,每小时参加四次
- 到100岁,才有可能期望遇到一次无冲突的集会
- 因此,在装填因子确定之后,散列策略的选取将至关重要,散列函数的设计也很有讲究
3.5 两项基本任务
- 首先(下一节):精心设计散列表及散列函数,尽可能降低冲突的概率
- 同时(再下节):制定可行的预案,以便在发生冲突时,能够尽快予以排解
二、散列函数
1.基本
1.1 评价标准 + 设计原则
- 确定(determinism):同一关键码总是被映射至同一地址
- 快速(efficiency):expected-O(1)
- 满射(surjection):尽可能充分地利用整个散列空间
- 均匀(uniformity):关键码映射到散列表各位置的概率尽量接近,有效避免聚集(clustering)现象
1.2 除余法
- $hash(key)=key % M $
- 据说M为素数时,数据对散列表的覆盖最充分,分布最均匀 其实对于理想随机的序列,表长是否素数,无关紧要
- 序列的Kolmogorov复杂度:生成该序列的算法,最短可用多少行代码实现?
- 算术级数: 7 12 17 22 27 32 37 42 47 … //单调性/线性:从7开始,步长为5
- 循环级数: 1 2 3 4 5 1 2 3 4 5 1 2 3 4 5 … //周期性:12345不断循环
- 英文:data structures and algorithms … //局部性:频率、关联、词根、…
- 实际应用中的数据序列远非理想随机,上述规律性普遍存在
- 蝉的哲学:经长期自然选择,生命周期“取”作素数
1.3 MAD法
- 除余法的缺陷
- 不动点:无论表长M取值如何,总有:hash(0)≡0
- 相关性:[0,R)的关键码尽管系平均分配至M个桶;但相邻关键码的散列地址也必相邻
- Multiply - Add - Divide
1.4 更多散列函数
- 数字分析(selecting digits) :抽取key中的某几位,构成地址
- 比如,取十进制表示的奇数位
- 平方取中(mid-square) :取的中间若干位,构成地址
- 折叠法(folding) :将key分割成等宽的若干段,取其总和作为地址
- hash( 123 456 789 ) = 123 + 456 + 789 = 1368 //自左向右
- hash( 123 456 789 ) = 123 + 654 + 789 = 1566 //往复折返
- 位异或法(XOR) :将key分割成等宽的二进制段,经异或运算得到地址
- hash( 110 011 011 b ) = 110 ^ 011 ^ 011 = 110b //自左向右
- hash( 110 011 011 b ) = 110 ^ 110 ^ 011 = 011b //往复折返
- 总之,越是随机,越是没有规律,越好
2.随机数
2.1 (伪)随机数法
- 循环: rand( x + 1 ) = [ a * rand( x ) ] % M //M素数,a % M ≠ 0
- 径取:hash(key) = rand(key) = [] % M
- 种子:rand(0) = ?
- 把难题推给伪随机数发生器,但是(伪)随机数发生器的实现,因具体平台、不同历史版本而异,创建的散列表可移植性差——故需慎用此法
unsigned long int next = 1; //sizeof(long int) = 8
void srand(unsigned int seed) { next = seed; } //sizeof(int) = 4 or 8
int rand(void) { //1103515245 = 3^5 * 5 * 7 * 129749
next = next * 1103515245 + 12345;
return (unsigned int)(next/65536) % 32768;
}
int rand() { int uninitialized; return uninitialized; }
char* rand( t_size n ) { return ( char* ) malloc( n ); }
2.2 就地随机置乱:任给一个数组A[0, n),理想地将其中元素的次序随机打乱
void shuffle( int A[], int n ) {
for ( ; 1 < n; --n ) //自后向前,依次将各元素
swap( A[ rand() % n ], A[ n - 1 ] ); //与随机选取的某一前驱(含自身)交换
} //20! < 2^64 < 21!
3.hashCode与多项式法
3.1 任意类型->整数型
3.2 冲突 ~ 巧合
- 字符相对次序信息丢失,将引发大量冲突
- I am Lord Voldemort
- Tom Marvolo Riddle
- 即便字符不同、数目不等
- He’s Harry Potter
三、排解冲突
1.开放散列
1.1 多槽位(Multiple Slots)
- Multiple Slots
- 桶单元细分成若干槽位
- 存放(与同一单元)冲突的词条
- 只要槽位数目不太多 依然可以保证O(1)的时间效率
- 需要细分到什么程度
- 过细,空间浪费;反过来
- 无论多细,极端情况下仍可能不够
1.2 公共溢出区(Overflow Area)
- 单独开辟一块连续空间 发生冲突的词条,顺序存入此区域
- 结构简单,算法易于实现
- 但是,不冲突则已,一旦发生冲突,最坏情况下,处理冲突词条所需的时间将 正比于溢出区的规模
1.3 独立链 (Linked-List Chaining / Separate Chaining)
- 每个桶拥有一个列表,存放对应的一组同义词
- 优点
- 无需为每个桶预备多个槽位
- 任意多次的冲突都可解决
- 删除操作实现简单、统一
- 但是,指针本身占用空间,节点的动态分配和回收需耗时间 更重要的是空间未必连续分布,系统缓存很难生效
2.封闭散列
2.1 开放定址
- 闭散列方法(Closed Hashing),必然对应于开放定址(Open Addressing)
- 只要有必要,任何散列桶都可以接纳任何词条
- 检测序列(Probe Sequence/Chain):为每个词条,都需事先约定若干备用桶,优先级逐次下降
- 查找算法:沿试探链,逐个转向下一桶单元,直到命中成功,或者抵达一个空桶而失败
2.2 线性试探
- Linear Probing
- 一旦冲突,则试探后一紧邻的桶
- 直到命中(成功),或抵达空桶(失败)
- [ hash( key ) + 1 ] % M->[ hash( key ) + 2 ] % M->[ hash( key ) + 3 ] % M->[ hash( key ) + 4 ] % M
- 在散列表内部解决冲突,无需附加的指针、链表或溢出区等,整体结构保持简洁
- 只要还有空桶,迟早会找到
- 新增非同义词之间的冲突
- 数据堆积(clustering)现象严重
- 好在,试探链连续,数据局部性良好
- 通过装填因子,冲突与堆积都可有效控制
2.3 插入+删除
- 插入:新词条若尚不存在,则存入试探终止处的空桶
- 试探链:可能因而彼此串接、重叠!
- 删除:经过它的试探链都将因此断裂,导致后续词条丢失——明明存在,却访问不到
3.懒惰删除
3.1 Lazy Removal:故居 ~ 空宅
-
Bitmap* removed
用Bitmap懒惰地标记被删除的桶 -
int L
被标记桶的数目
- 仅做标记,不对试探链做更多调整——此后,带标记的桶,角色因具体的操作而异
- 查找词条时,被视作“必不匹配的非空桶”,试探链在此得以延续
- 插入词条时,被视作“必然匹配的空闲桶”,可以用来存放新词条
3.2 两种算法
template<typename K,typename V> int Hashtable::probe4Hit(const K& k) {
int r = hashCode(k) % M; //按除余法确定试探链起点
while ( ( ht[r] && (k != ht[r]->key) ) || removed->test(r) )
r = ( r + 1 ) % M; //线性试探(跳过带懒惰删除标记的桶)
return r; //调用者根据ht[r]是否为空及其内容,即可判断查找是否成功
}
template<typename K,typename V> int Hashtable::probe4Free(const K& k) {
int r = hashCode(k) % M; //按除余法确定试探链起点
while ( ht[r] ) r = (r + 1) % M; //线性试探,直到空桶(无论是否带有懒惰删除标记)
return r; //只要有空桶,线性试探迟早能找到
}
4.重散列(Rehashing)
template<typename K,typename V> //随着装填因子增大,冲突概率、排解难度都将激增
void Hashtable::rehash() { //此时,不如“集体搬迁”至一个更大的散列表
int oldM = M; Entry** oldHt = ht;
ht = new Entry*[ M = primeNLT( 4 * N ) ]; N = 0; //新表“扩”容
memset( ht, 0, sizeof( Entry* ) * M ); //初始化各桶
release( removed ); removed = new Bitmap(M); L = 0; //懒惰删除标记
for ( int i = 0; i < oldM; i++ ) //扫描原表
if ( oldHt[i] ) //将每个非空桶中的词条
put( oldHt[i]->key, oldHt[i]->value ); //转入新表
release( oldHt ); //释放——因所有词条均已转移,故只需释放桶数组本身
}
template<typename K,typename V> bool Hashtable::put( K k, V v ) {
if ( ht[ probe4Hit( k ) ] ) return false; //雷同元素不必重复插入
int r = probe4Free( k ); //为新词条找个空桶(只要装填因子控制得当,必然成功)
ht[ r ] = new Entry( k, v ); ++N; //插入
if ( removed->test( r ) ) { removed->clear( r ); --L; } //懒惰删除标记
if ( (N + L)*2 > M ) rehash(); //若装填因子高于50%,重散列
return true; 插入
}
template<typename K,typename V> bool Hashtable::remove( K k ) {
int r = probe4Hit( k ); if ( !ht[r] ) return false; //确认目标词条确实存在
release( ht[r] ); ht[r] = NULL; --N; //清除目标词条
removed->set(r); ++L; //更新标记、计数器
if ( 3*N < L ) rehash(); //若懒惰删除标记过多,重散列
return true;
}
5.平方试探
5.1 平方试探(Quadratic Probing)
- Quadratic Probing:以平方数为距离,确定下一试探桶单元
- 数据聚集现象有所缓解
- 试探链上,各桶间距线性递增
- 一旦冲突,可“聪明”地跳离是非之地
- 对于大散列表,I/O操作有所增加
5.2 素数表长时,只要λ<0.5就一定能够找出;否则,不见得
- M若为合数:可能的取值可能少于种——此时,只要对应的桶均非空
- 若M为素数,恰有种取值,且由试探链的前项取遍
5.3 每一条试探链,都有足够长的无重前缀
- 反证:假设存在,使得沿着试探链,第a项和第b项彼此冲突
- 于是:和%b^2%自然关于M同余,亦即
- 然而,
- 无论b-a还是b+a都不可能整除M
6.双向平方试探
6.1 策略:交替地沿两个方向试探,均按平方确定距离
- ,
- ,
6.2 子试探链
- 正向和反向的子试探链,各自包含个互异的桶
6.3 4k+3
- 表长取作素数M=4k+3,即必然可以保证试探链的前M项均互异
6.4 费马二平方定理(Two-Square Theorem of Fermat)
- 任一素数p可表示为一对整数的平方和,当且仅当
- 只要注意到:
- 就不难推知:自然数n可表示为一对整数的平方和,当(且仅当)它的每一 M=4k+3类的素因子均为偶数次方
7.双散列(Double Hashing)
- 预先约定第二散列函数:
- 冲突时,由其确定偏移增量,确定下一试探位置:
- 线性试探:
- 平方试探:
- 更一般地,偏移增量同时还与key相关
四、桶排序
1.算法
1.1 简单情况
- 对[0,m)内的n(<m)个互异整数 借助散列表H[]做排序
- 空间 = O(m),时间 = O(n)
1.2 一般情况
- 若允许重复 (可能m << n)
- 依然使用散列表
- 每一组同义词各成一个链表
- 空间 = O(m + n),时间 = O(n)
2.最大缝隙
2.1 最大缝隙(MaxGap)
- 任意n个互异点均将实轴分为n-1段有界区间,其中的哪一段最长
- 如果不追求效率,显而易见的方法莫过于
- 对所有点排序 //Ω(nlogn)
- 依次计算各相邻点对的间距,保留最大者 //Θ(n)
- 采用分桶策略,可改进至O(n)时间
2.2 线性算符
- 找到最左点、最右点 O(n) //一趟线性扫描
- 将有效范围均匀地划分为n-1段(n个桶) O(n) //相当于散列表
- 通过散列,将各点归入对应的桶 O(n) //模余法
- 在各桶中,动态记录最左点、最右点 O(n) //可能相同甚至没有
- 算出相邻(非空)桶之间的“距离” O(n) //一趟遍历足矣
- 最大的距离即MaxGap O(n) //画家算法
2.3 正确性
- MaxGap至少跨越两个桶,等价地,MaxGap不可能局限于某一个桶内
五、基数排序
1.算法与实现
1.1 词典序
- 有时,关键码由多个域组成:
- 若将各域视作字母,则关键码即单词——按词典的方式排序(lexicographic order)
1.2 算法:自到(低位优先),依次以各域为序做一趟桶排序
1.3 正确性
- 归纳假设:前i趟排序后,所有词条关于低i位有序 (第1趟显然)
- 假设前i-1趟均成立,现考查第i趟排序之后的时刻
- 无非两种情况
- 凡第i位不同的词条,即便此前曾是逆序,现在亦必已转为有序
- 凡第i位相同的词条,得益于桶排序的稳定性,必保持原有次序
1.4 时间成本
- 当m = O(n)且d可视作常数时,O(n)
- 在一些特定场合,Radixsort非常高效
1.5 实现(以二进制无符号整数为例)
typedef unsigned int U; //约定:类型T或就是U;或可转换为U,并依此定序
template<typename T> void List<T>::radixSort( ListNodePosi p, int n ) {
ListNodePosi<T> head = p->pred; ListNodePosi<T> tail = p;
for ( int i = 0; i < n; i++ ) tail = tail->succ; //待排序区间为(head, tail)
for ( U radixBit = 0x1; radixBit && (p = head); radixBit <<= 1 ) //以下反复地
for ( int i = 0; i < n; i++ ) //根据当前基数位,将所有节点
radixBit & U (p->succ->data) ? //分拣为前缀(0)与后缀(1)
insert( remove( p->succ ), tail ) : p = p->succ;
} //为避免remove()、insert()的低效率,可拓展List::move(p,tail)接口,将节点p直接移至tail之前
1.6 实例
2.整数排序
2.1 常对数密度的整数集
- 设d>1为常数
- 考查取自内的n个整数
- 常规密度
- 对数密度
- 亦即,这类整数集的对数密度不超过常数
- 若取d=4,则即便是64位整数,也只需
2.2 线性排序算法
- 预处理:将所有元素转换为n进制形式:
- 于是,每个元素均转化为d个域,故可直接套用Radixsort算法
- 排序时间=d·(n+n)=P(n)
- 原因在于:
- 整数取值范围有限制
- 不再是基于比较的计算模式
六、计数排序
1.算法
- 以纸牌排序为例(n>>m=4),假设已按点数排序,以下对花色排序
- (1)经过分桶,统计出各种花色的数量 //O(n)
- (2)自前向后扫描各桶,依次累加 (cumulative sum, O(m)), 即可确定各套花色所处的秩区间:[0, 3) + [3, 5) + [5, 9) + [9, 11)
- (3)自后向前扫描每一张牌 (O(n)), 对应桶的计数减一,即是其在最终有序序列中对应的秩
2.实例