Alg Probab

Algoritmi probabiliti s
Dorel Lucanu
1 Faculty of Computer Science Alexandru Ioan Cuza University, Iai, Romania s dlucanu@info.uaic.ro
2012
D. Lucanu (UAIC)
2012
1 / 49
Outline
Introducere Fundamente Algorimi Las Vegas Algorimi Monte Carlo MAX-SAT Hashing
D. Lucanu (UAIC)
2012
2 / 49
Introducere
Plan
D. Lucanu (UAIC)
2012
3 / 49
Introducere
Ce este un algoritm probabilist?

Exista doua puncte de vedere: 1. algoritmul probabilist este vzut ca un algoritm nedeterminist a pentru care exista o distributie de probabilitate peste alegerile nedetermiste 2. algoritmul probabilist este un algoritm care are o intrare suplimentara ce const a ntr-o secvent de biti aleatorii a echivalent cu a spune ca algoritmul probabilist const o multime de a n algoritmi deterministi din care un algoritm este ales aleatoriu pentru s o intrare dat a pentru o intrare x a problemei date, calculele algoritmului probabilist pot diferi functie de dependenta fat de secventa actual de biti aleatori n a a aceast diferent poate proiectat complexitate sau ieire: a a a n s timpul de executie vzut ca o variabil aleatorie a a ieirea vzut ca o variabil aleatorie s a a a
D. Lucanu (UAIC) Algoritmi probabiliti s 2012 4 / 49
Introducere
De ce studiem algoritmi probabiliti? s
pot mai ecienti i mai simpli dect cei dterminiti care rezolv s a s a aceeai problem s a rmne totui de rspuns la a a s a ntrebarea: sunt utili practic? n a din pcate cazul tipic este acela care nu se tie unde este util a n s de exemplu nu se tie dac un algoritm probabilist cu timp de s a executie polinomial pentru o problem NP-dicil a a pe de alt parte sunt cteva probleme importante, cum ar testarea a a primalitii, pentru care at
exist algoritmi probabiliti polinomiali ecienti a s nu exist algoritm determinist polinomial a nu se tie dac problema este P sau nu (nici dac este NP-complet s a n a a sau nu)
D. Lucanu (UAIC)
2012
5 / 49
Introducere
De ce studiem algoritmi probabiliti? s
algoritmii probabiliti sunt utili pentru a rezolva ecient acele s probleme pentru care nu se cunosc metode care s le fac tractabile a a din punct de vedere practic chiar dac sunt putine astfel de cazuri, ele sunt foarte des alnite a nt n viata de zi cu zi (de ex. testul de primalitate) . . . de aceea este important s studiem algoritmii probabiliti a s
D. Lucanu (UAIC)
2012
6 / 49
Fundamente
Plan
D. Lucanu (UAIC)
2012
7 / 49
Fundamente
Fundamente
scopul acestor cursuri nu este de a prezenta denitia complet formal a a algorimilor probabiliti s este sucient s vedem algoritmii probabiliti ca ind algoritmi care a s din cnd cnd a n a ntreab de biti aleatorii i si continu activitatea a s a n functie de valoarea acestora punctul de vedere al teoriei probabilitilor este acela c un algoritm at a probabilist A pentru o intrare x determin un experiment probabilistic a un experiment este descris de spatiul probabilistic (SA,x , P), unde SA,x = {C | C este un calcul aleatoriu a lui A pentru intrarea x} i P s este distributia de probabilitate
D. Lucanu (UAIC)
2012
8 / 49
Fundamente
O nou msur care inuienteaz ecienta a a a a

RandomA (x) = numrul maxim de biti utilizati toate calculele a n aleatorii pentru intrarea x RandomA (n) = max{RandomA (x) | g (x) = n} (g (x) este marimea instantei x) de ce aceast nou msur? a a a a (1) producerea unei secvente de biti aleatori care s substituie a ntr-un mod rezonabil o sevcevent cu adevrat aleatorie este a a costisitoare (2) dac RandomA (x) este mrginit de o functie logaritmic, atunci a a a a numrul de executii distincte pentru intrri de mrime n este a a a 2RandomA (n) p(n), unde p(n) este un polinom dac timpul de executie a lui A este polinomial pentru ecare a executie, atunci simularea determinist a tuturor calculelor se face a n timp polinomial acest procedeu se numete derandomizare (derandomization) s
Fundamente
Timpul mediu de executie

ProbA,x (C ) = probabilitatea cu care algoritmul A execut calculul C a pentru intrarea x Prob(A(x) = y ) = probabilitatea cu care algoritmul A produce ieirea y s pentru intrarea x Prob(A(x) = y ) = C ProbA,x (C ) Time(C ) = timpul necesar lui A ca s execute C a timpul mediu de executie a lui A pentru intrarea x este Exp-TimeA (x) = M[Time] = C ,AC (x)=y ProbA,x (C ) Time(C ) timpul mediu de executie a lui A pentru intrarea x cazul cel mai n nefavorabil este Exp-TimeA (n) = max{Exp-TimeA (x) | g (x) = n}
D. Lucanu (UAIC)
2012
10 / 49
Fundamente
Tmpul de executie cazul cel mai nefavorabil n
timpul mediu de executie nu este totdeauna uor de calculat s . . . de aceea uneori se prefer timpul de executie cazul cel mai a n nefavorabil TimeA (x) = maxC Time(C ) TimeA (n) = max{TimeA (x) | g (x) = n}
D. Lucanu (UAIC)
2012
11 / 49
Fundamente
Executii innite
calculele innite sunt acceptate deoarece nu ntotdeauna nseamn o bucl a a innit a astfel de situatii o decizie nou aleatorie poate duce la calcul ce se n a termin cu succes i d rezultatul dorit a s a o posibilitate de a stopa un calcul ce poate potential innit este de a calcula TimeA din exterior i s oprim executia algoritmului cnd aceasta s a a depete acest timp i furnizarea ca ieire a valorii ? as s s s daca TimeA (n) este rezonabil de mare, atunci ? nu este aa de ru s a deoarece singura lui semnicatie este cea de a restarta algoritmul pentru intrarea x din conguratia initial a
D. Lucanu (UAIC)
2012
12 / 49
Algorimi Las Vegas
Plan
D. Lucanu (UAIC)
2012
13 / 49
Algorimi Las Vegas
Algoritmi Las Vegas
dau exact totdeauna rezultatul exact i singura variatie de la o executie la s alta pentru aceeai intrare este dat de timpul de executie s a presupune ca A calculeaza F Prob(A(x) = F (x)) = 1 timpul mediu este cel care intereseaza 1 exist i o varant care Prob(A(x) = F (x)) i as a n s 2 1 1 Prob(A(x) = ?) = 1 Prob(A(x) = F (x)) 2 2
D. Lucanu (UAIC)
2012
14 / 49
Algorimi Las Vegas
Randomized Quicksort
exemplul canonic pentru algoritmii Las Vegas se consider o multime peste care este denit o relatie de ordine liniar a a a Algoritmul RQS Intrare: a0 , . . . , an1 Ieire: elementele ai ordine cresctoare s n a
1 2
dac n = 1 a ntoarce a0 , altfel alege aleatoriu k {0, . . . , n 1} calculeaz a S< = {ai | ai < ak } S= = {ai | ai = ak } S> = {ai | ai > ak } sorteaz recursiv S< i S> a s ntoarce secventa S< , S= , S>
3 4
D. Lucanu (UAIC)
2012
15 / 49
Algorimi Las Vegas
Analiza algoritmului RQS
we assume that arank(0) . . . arank(n1) Xij = 1 arank(i) i arank(j) sunt comparate s 0 altfel Xij numr comparatiile dintre arank(i) i arank(j) aa s
Xij este variabil aleatorie a numrul mediu de comparatii este a M[

n1 i=0 j>i
Xij ] =
n1 i=0
j>i
M[Xij ]
D. Lucanu (UAIC)
2012
16 / 49
Algorimi Las Vegas

pij probabiltatea ca arank(i) i arank(j) s e comparate s a ntr-o executie M[Xij ] = pij 1 + (1 pij ) 0 = pij pij = 2 j i +1
n1 n1
pij =
i=0 j>i i=0 j>i
2 j i +1 2 k 1 k
2012 17 / 49
n1 ni+1
i=0 k=1 n1 ni+1
2
i=0 k=1
D. Lucanu (UAIC)
Algorimi Las Vegas
Theorem Numrul mediu de comparatii a ntr-o executie al algoritmului RQS este cel mult 2nHn = O(n log n).
D. Lucanu (UAIC)
2012
18 / 49
Algorimi Monte Carlo
Plan
D. Lucanu (UAIC)
2012
19 / 49
Algoritmi Monte Carlo
produce numai uneori solutia corect a pentru probleme de decizii se cunosc dou variante: a cu eroare pe singura parte (one-sided-error) 1 Prob(A(x) = 1) 2 Prob(A(x) = 0) = 1 cu eroare pe ambele prti (two-sided-error) a 1 1 Prob(A(x) = F (x)) + , 0 < 2 2
D. Lucanu (UAIC)
2012
20 / 49
Intermezzo de probabiliti at
E1 , E2 sunt independente dac Prob[E1 E2 ] = Prob[E1 ] Prob[E2 ] a general avem n Prob[E1 E2 ] = Prob[E1 | E2 ] Prob[E2 ] = Prob[E2 | E1 ] Prob[E1 ] formula de mai sus se generalizeaz la un numr oarecare de evenimente a a [linearitatea mediei] M[ i Xi ] = i M[Xi ] [exemplul cu vaporul i marinarii] s
D. Lucanu (UAIC)
2012
21 / 49
Tietur minim a a a
Un multigraf este un graf cu proprietatea c a ntre dou vrfuri pot exista a a mai multe muchii. O tietur multigraful G este o multime de muchii a a n care prin eliminare mparte G dou sau mai multe componente. O n a tietur minim este o tietur de cardinal minim. Vom studia un algoritm a a a a a Monte Carlo care calculeaz o tietur minim a a a a ntr-un multigraf dat. contractie = combinarea a dou vrfuri care sunt extremele unei muchii a a ntr-unul singur; muchiile dintre cele dou vrfuri contractate sunt a a eliminate pas curent: alege aleatoriu uniform o muchie i contract extremitile s a at muchiei alese algoritmul MINCUT repet pasul curent pn cnd rmn dou vrfuri a a a a a a a a ieirea va dat de multimea de muchii ce unesc cele dou vrfuri rmase s a a a a la nal
Analiza algoritmului MINCUT
e C tietur minim de cardinal k a a a n G are cel putin k muchii (de ce?) 2 Ei = evenimentul ce const a nu lua o muchie din C la pasul i a (1 i n 2) probabilitatea ca prima muchie aleas s e C este cel mult a a n 2 n k 2 = k n n 2
rezult Prob(E1 ) 1 a
D. Lucanu (UAIC)
2012
23 / 49

Presupunem c E1 a avut loc, atunci la al doilea pas: a n1 exist cel putin k a muchii 2 probabilitatea de a alege o muchie C este cel mult n la al i-lea pas: exist n i + 1 vafuri a r tietura minim are dimensiunea k (E1 , . . . , Ei1 au loc) a a ni +1 exist cel putin k a muchii 2 avem: n2 2 2 Prob[n2 Ei ] (1 )= i=1 ni +1 n(n 1)
i=1
2 n1
D. Lucanu (UAIC)
2012
24 / 49

2 n2
rezult c probabilitatea de a gsi un min-cut este mai mare dect a a a a n2 ori facnd alegeri independente a 2
repetm algoritmul de a
rezult c probabilitatea ca algoritmul s nu gseasc o tietur minim a a a a a a a a n n2 ncercri este cel mult a 2 2 1 2 n
n2 /2
<
1 e
D. Lucanu (UAIC)
2012
25 / 49
Partitionare planara binar a

o partitie planar binar a unei multimi de segmente este un arbore binar a a cu urmtoarele proprieti: a at orice nod intern are doi copii orice nod v are asociat o regiune r (v ) a orice nod intern v are asociat o dreapt (v ) care intersecteaz r (v ) a a a regiunea care corespunde rdcinii este a a ntreg planul pentru un nod intern v , regiunea r (v ) este partitionat de (v ) a n dou subregiuni r1 i r2 care sunt asociate copiilor a s Dat o multime de segmente S = {s1 , . . . , sn }, s se determine o a a pratitionare planara binar astfel at ecare regiune contine cel mult un a nc segment din S.
D. Lucanu (UAIC)
2012
26 / 49
Algoritmul RandAuto
notatie: (s) = dreapta suport a segementului s RandAuto: 1. alege aleatoriu uniform o permutare a multimii {1, . . . , n} 2. att timp ct o regiune include mai mult dect un segment, a a a mparte regiunea cu (si ), unde si este primul ordinea dat de care traverseaz n a a acea regiune. Theorem Mrimea medie a autopartitiei produse de RandAuto este O(n log n). a
D. Lucanu (UAIC)
2012
27 / 49
Analiza algoritmului RandAuto
index(u, v ) = i dac (u)intersecteaz alte i 1 segmente a a nainte de a atinge v dac (u) nu alnete v a nt s u v = evenimentul ca (u) s taie v a
e index(u, v ) = i i u1 , . . . , ui1 segmentele pe care (u) le interesecteaz s a nainte de a atinge v u v apare numai dac u se a a a naintea oricrui element din a {u1 , . . . , ui1 , v } n probabiltatea ca aceasta s se ample este a nt 1 i +1
D. Lucanu (UAIC)
2012
28 / 49
Analiza algoritmului RandAuto

Cu,v = 1 u v M[Cu,v ] = Prob[u 0 altfel v] 1 index(u, v ) + 1
mrimea partitiei P este n + numrul de intersectii datorit tierilor a a a a astfel media sa este n + M[ n+
u v =u u v
Cu,v ], care este egal cu a 1 index(u, v ) + 1
Prob[u
v] n +
u v =u n1 i=1 n1
avem
v =u
1 index(u, v ) + 1 n+2
u
2 , care implic marginea a i +1
superioar a 1 n + 2nHn i +1
i=1
pentru media lui P

MAX-SAT
Plan
D. Lucanu (UAIC)
2012
30 / 49
MAX-SAT
Probllema MAX-SAT
Intrare: F = F1 . . . Fm o formul propozitional form normal conjuctiv cu a a n a a a variabile X = {x1 , . . . , xn } n Ieire: s Numrul maxim de clauze ce pot satisfcute de o atribuire a a : X {0, 1}
D. Lucanu (UAIC)
2012
31 / 49
MAX-SAT
Algoritmul RSMS
Algoritmul RSMS: 1. se alege aleatoriu uniform = {1 , . . . , n }, i {0, 1} 2. evalueaz ecare clauz Fj i calculeaz Z := numrul de clauze a a s a a satisfcute a 3. ntoarce Z i xi = i , i = 1, . . . , n. s
D. Lucanu (UAIC)
2012
32 / 49
MAX-SAT
Algoritmul RSMS: Analiza

Prob(xi = 1) = Prob(xi = 0) = 1 2 1 Fj este satisfcut de a a denim v.a. Zj () = 0 altfel daca Fj are k literali independenti, atunci probabilitatea ca Fj s nu e a 1 satisfcut este k a a 2 1 1 rezult c probabilitatea ca Fj s e satisfcut este 1 k a a a a a 2 2 denim Z = m Zj j=1 m 1 = 2 2 max{Z | } ratia medie de aproximare = 2 M[Z ] spunem c RSMS este un randomized 2-expected approximation a algorithm (algoritm de aproximare cu ratia medie mrginit de 2) a a M[Z ] =
m j=1 M[Zj ]
m j=1
D. Lucanu (UAIC)
2012
33 / 49
MAX-SAT
Reducerea la programare liniar a
Lit(Fj ) = multimea literalilor care apar Fj n Lit + (Fj ) = multimea variabilelor care apar necomplementate Fj n Lit (Fj ) = multimea variabilelor care apar ncomplementate Fj n Lit(Fj ) = Lit + (Fj ) Lit (Fj ) In+ (Fj ) = multimea indicilor din Lit + (Fj ) In (Fj ) = multimea indicilor din Lit (Fj )
D. Lucanu (UAIC)
2012
34 / 49
MAX-SAT
Problema LP(F)
functia obiectiv :
m
max
j=1
zj
constrngeri : a yj +
iIn+ (Fj ) iIn (Fj )
(1 yj ) zj j {1, . . . , m}
yi , zj {0, 1} i {1, . . . , n}, zj {1, . . . , m}
D. Lucanu (UAIC)
2012
35 / 49
MAX-SAT
Algoritmul RRRMS
relaxm LP(F): a yi , zj [0, 1] i {1, . . . , n}, zj {1, . . . , m} LP(F) poate rezolvat timp polinomial a n Algoritmul RRRMS: 1. rezolv LP(F) relaxat; e (z1 ), . . . , (zm ), (y1 ), . . . , (yn ) solutia a a optim calculat de algoritm a a 2. alege aleatoriu uniform 1 , . . . , n din [0, 1] 3. pentru i = 1, . . . , n, dac i [0, (yi )] atunci xi = 1, altfel xi = 0; a 4. evalueaz ecare clauz Fj i calculeaz Z := numrul de clauze a a s a a satisfcute a 5. ntoarce Z i xi , i = 1, . . . , n. s Theorem RRRMS este un algoritm de aproximare cu ratia medie mrginit de a a
D. Lucanu (UAIC) Algoritmi probabiliti s 2012
e . e 1
36 / 49
MAX-SAT
Algoritmul combinat
Algoritmul RSMS este bun cand clauzele sunt lungi Algoritmul RRRMS este bun cand clauzele sunt scurte De ce nu am combina cei doi algoritmi? Apelm independent (eventual paralel) cei doi algoritmi i alegem cea a n s mai bun solutie a algoritmul obtinut este un algoritm cu ratia medie mrginit de a a 4 3
D. Lucanu (UAIC)
2012
37 / 49
Hashing
Plan
D. Lucanu (UAIC)
2012
38 / 49
Hashing
Tabele hash
(a se vedea Structuri avansate pentru cutare) a
D. Lucanu (UAIC)
2012
39 / 49
Hashing
Famillii hash universale

Ideea: se alege o familie de functii H = {h : M N} a. ecare h este uor . s de reprezentat i evaluat s pentru orice S de cardinalitate mic, o mare parte din functiile h H a sunt aproape perfecte (numr mic de coliziuni) a pentru un S particular, se alege aleatoriu h H Presupunem M = {0, 1, . . . , m 1}, N = {0, 1, . . . , n 1} H este 2-universal dac pentru orice x = y i h ales aleatoriu uniform din a a s 1 H, Prob([h(x) = h(y )] n o functie h H aleas aleatoriu trebuie s se comporte ca o functie a a aleatorie numai pentru perechi (de aici i numele) s H = [M N] este 2-universal dar are multe dezavantaje (care?) a
Hashing
Notatii
1 0
hH
(x, y , h) = (x, y , H) = (x, Y , h) =
h(x) = h(y ), x = y altfel (x, y , h) (x, y , h)
y Y
(X , Y , h) =
xX
(x, Y , h) (x, y , H)
y Y
(x, Y , H) = (X , Y , H) =
hH
D. Lucanu (UAIC)
(X , Y , h)
2012
41 / 49
Hashing
2-universalitatea este cea mai bun alegere a

Theorem Pentru orice H exist x, y a. (x, y , H) > a . Az = {x M | h(x) = z} (Aw , Az , H) = (M, M, h) = (M, M, H) = 0 w =z |Az |(|Az | 1) w = z
zN hH 1 |Az |(|Az | 1) n( m ( m 1)) = m2 ( n n n 1 (M, M, h) |H|m2 ( n 1 m) 1 m)
|H| |H| . n m
Aplicnd principiul lui Dirichlt exist x, y M cu a e a (x, y , H)

1 |H|( n (M, M, H) |H|(M, M, h) = m2 m2 m2
1 m)
1 1 = |H|( ) n m
2012 42 / 49
D. Lucanu (UAIC)
Hashing
Aplicare la dictionare dinamice
Lemma Pentru orice x M, S M i h H ales aleatoriu, M[(x, S, h)] s |S| . n
M[(x, S, h)] =
hH
(x, S, h) 1 = ... = |H| |H|
(x, y , H)
y S
1 |H|
y S
|H| |S| = n n
D. Lucanu (UAIC)
2012
43 / 49
Hashing
Aplicare la dictionare dinamice
Theorem Presupunem c solutia pentru coliziuni este cea prin liste antuite. a nl Atunci pentru orice secvent de operatii R de lungime r cu s inserri i h a a s ales aleatoriu uniform dintr-o familie 2-universal H, a M[(h, R)] r 1 + s n
unde (h, R) este costul total procesrii listei de operatii R. a
D. Lucanu (UAIC)
2012
44 / 49
Hashing
Constructia de familii hash universale

Fie p un numr prim cu p m a Zp = {0, 1, . . . , p 1} g : Zp N, g (x) = x mod n fa,b : Zp Zp , ha,b : Zp N fa,b (x) = ax + b mod p, ha,b (x) = g (fa,b (x)) H = {ha,b | a, b Zp , a = 0} Lemma Pentru x = y , (x, y , H) = (Zp , Zp , g ) Theorem H denit ca mai sus este o familie hash 2-universal. a a
Hashing
Scheme hash perfecte
O functie hash h : M N este perfect pentru S M dac nu cauzeaz a a a coliziuni pentru cheile din S.
Familia de functii H = {h : M N} se numete perfect dac pentru s a a orice multime S M de mrime s < n exist o functie h H care este a a perfect pentru S. a
D. Lucanu (UAIC)
2012
46 / 49
Hashing
Hashing cu timp de cutare O(1) a
Schema denit anterior are timpul mediu mrginit dar timpul de cutare a a a cazul cel mai nefavorabil este nemrgnit. n a Putem deni scheme cu timpul de cutare O(1) cazul cel mai a n nefavorabil? Theorem Pentru orice S M cu |S| = s i m s, exist o reprezentare de tabel s a a hash a lui S care necesit spatiul O(s) i permite procesarea operatiei de a s cutare timpul O(1). a n
D. Lucanu (UAIC)
2012
47 / 49
Hashing
Considerm V M cu |V | = v , R = {0, 1, . . . , r 1}, r V a Pentru 1 k p 1 denim hk (x) = (kx mod p) mod r Pentru i R denim coul (bin) care include elementele mapate de hk s i: n Bi (k, r , V ) = {x V | hk (x) = i} i mrimea lor prin s a bi (k, r , V ) = |B( k, r , V )|
D. Lucanu (UAIC)
2012
48 / 49
Hashing
Ideea de demonstratie: Se consider o schem cu dou functii hash: cheia primara este hk i a a a a s mapeaz o multime S M tabela T de mrime n = s. a n a Cheile din Bi (k, r , V ) (elementele din S mapate T [i]) sunt apoi mapate n 2 utiliznd o functie hash secundar ntr-o tabel de dimensiune bi (k, r , V ) a a a hki , care este garanta a perfect. a a De notat c schema considerat este una static. a a a
D. Lucanu (UAIC)
2012
49 / 49

Alg Probab

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Alg Probab

Transféré par

Droits d'auteur :

Formats disponibles

Algoritmi probabiliti s

Ce este un algoritm probabilist?

De ce studiem algoritmi probabiliti? s

De ce studiem algoritmi probabiliti? s

O nou msur care inuienteaz ecienta a a a a

Timpul mediu de executie

Tmpul de executie cazul cel mai nefavorabil n

Algorimi Las Vegas

Algorimi Las Vegas

Algoritmi Las Vegas

Algorimi Las Vegas

Algorimi Las Vegas

Analiza algoritmului RQS

Xij este variabil aleatorie a numrul mediu de comparatii este a M[

Algorimi Las Vegas

Analiza algoritmului RQS

i=0 k=1 n1 ni+1

Algorimi Las Vegas

Analiza algoritmului RQS

Algorimi Monte Carlo

Algorimi Monte Carlo

Algoritmi Monte Carlo

Algorimi Monte Carlo

Algorimi Monte Carlo

Algorimi Monte Carlo

Analiza algoritmului MINCUT

Algorimi Monte Carlo

Analiza algoritmului MINCUT

Algorimi Monte Carlo

Analiza algoritmului MINCUT

Algorimi Monte Carlo

Partitionare planara binar a

Algorimi Monte Carlo

Algorimi Monte Carlo

Analiza algoritmului RandAuto

Algorimi Monte Carlo

Analiza algoritmului RandAuto

Cu,v ], care este egal cu a 1 index(u, v ) + 1

2 , care implic marginea a i +1

pentru media lui P

Algoritmul RSMS: Analiza

Reducerea la programare liniar a

yi , zj {0, 1} i {1, . . . , n}, zj {1, . . . , m}

(a se vedea Structuri avansate pentru cutare) a

Famillii hash universale

(x, y , h) = (x, y , H) = (x, Y , h) =

h(x) = h(y ), x = y altfel (x, y , h) (x, y , h)

2-universalitatea este cea mai bun alegere a

Aplicnd principiul lui Dirichlt exist x, y M cu a e a (x, y , H)

Aplicare la dictionare dinamice

Lemma Pentru orice x M, S M i h H ales aleatoriu, M[(x, S, h)] s |S| . n

(x, S, h) 1 = ... = |H| |H|

Aplicare la dictionare dinamice

unde (h, R) este costul total procesrii listei de operatii R. a

Constructia de familii hash universale

Scheme hash perfecte

Hashing cu timp de cutare O(1) a

Hashing cu timp de cutare O(1) a

Hashing cu timp de cutare O(1) a

Vous aimerez peut-être aussi