摊还分析

摊还分析

1何为摊还分析?

摊还分析主要求解数据结构维护序列执行的所有操作的平均时间,来评价操作的代价,从而保证最坏情况下每个操作的平均性能

2聚合分析

2.1何为聚合分析?

若长度为n的操作序列最坏情况下所花费时间为T(n)。

聚合分析状态下,摊还代价C=T(n)/n。

2.2栈的时间复杂度分析

此时栈有3个操作:

1.PUSH(S,x)表示将对象x压入栈中。

2.POP(S,x)表示从栈顶弹出一个元素(保证不会弹空)。

3.MULTIPOP(S,k)表示弹出栈顶的k个元素(保证不会弹空)。

试证明单次操作的摊还代价。

一次POP的最坏时间是O(n)的,那么n个操作的时间是否是O(n^2)的呢?

 

其实不然。

证明:事实上,每一个元素只入栈一次,出栈一次,而栈中最多存在n个元素,所以n次操作最坏只需要O(n)的时间。而每个操作的摊还代价C=O(n)/n=O(1)。

2.3单调队列的时间复杂度分析

单调队列也有两个操作:

1.PUSH(que,x)表示在队尾插入。

2.POP(que,k)表示在队首弹出k个元素(保证不会弹空)。

试证明单次操作的摊还代价。

证明:每个元素依然只入队一次,出队一次,最多n个元素,最坏为O(n),每个操作的摊还代价C=O(n)/n=O(1)

3.核算法

3.1何为核算法?

我们进行摊还分析时,对每一个不同的操作赋予不同的费用,将赋予一个操作的费用称为它的摊还代价。

每一次摊还代价超出实际代价时,就可以将多出的部分“储存”起来,称之为“信用”,它在以后的操作中可以“抵账”。

 

但核算法应确保总摊还代价大于总真实代价的上界。如果用ci表示第i个操作的真实代价,ĉi表示第i个操作的摊还代价,要求

也就是

在保证信用非负的情况下,总摊还代价是总真实代价的上界。

 

3.2栈的核算法分析

还是刚才栈的例子。

它的每个操作的实际代价为:

PUSH            1

POP              1

MULTIPOP    k

我们赋予每个操作这样的摊还代价:

 

PUSH            2

POP              0

MULTIPOP    0

可证明对于任意的操作序列,总摊还代价大于总实际代价。

就相当于每一次PUSH存入2元,1元当做PUSH的代价,还有1元当做将来弹出这个元素的代价。这样可以保证信用永远非负,之前PUSH多付出的摊还代价预支了以后POP需要的代价。所以在POP是可以当作没有任何代价了。总摊还代价还是O(n)的。

3势能法

3.1何为势能法?

势能法没有将预支代价表示为特定操作的信用,而是表示为“势能”,用势能的释放预支代价。势能与整个数据结构对象相关联,而非像核算法一样和某个特定的操作代价相关联。

我们将一个初始数据结构D0执行n个操作。对于每一个操作i,令ci为第i个操作的实际代价,令Di为数据结构Di-1上执行第i个操作所得到的结果数据结构。势函数φ把每个数据结构表示为一个势能大小。

 

摊还代价:ĉi=ci+φ(Di)-φ(Di-1)

每个操作的摊还代价为实际代价+势能变化。

总摊还代价:

      (3.1.1)

需要定义φ使得φ(Dn)>=φ(D0),那么总摊还代价会是总实际代价的上界,因此我们要求φ(Di)>=φ(D0),一般把φ(D0)定义为0,只需要保证φ(Di)>=0即可。

3.2栈的势能法分析

栈的操作同上。

我们设φ(Di)表示i次操作后栈中的元素数量s。

D0初始为空栈。φ(D0)初始为0.

1.对于PUSH(S,x),φ(Di)-φ(Di-1)=(s+1)-s=1。由公式(3.1.1)可得,ĉi=ci+φ(Di)-φ(Di-1)=1+1=2

2.对于MULTIPOP(S,k),φ(Di)-φ(Di-1)=(s-k)-s=-k。由公式(3.1.1)可得ĉi=ci+φ(Di)-φ(Di-1)=k-k=0

同理,POP的摊还代价也为0.

综上所述,每个操作的摊还代价均为O(1),因此总摊还代价为O(n),此时必有φ(Di)>=φ(D0)。

4.动态表扩张

你需要完成对一个序列的插入,快速查询操作。

简单来说就是实现C++中的vector,为其寻找一个空间为O(n)的方法。

对于这个问题,我们的方法是:每次空间存满,扩展两倍空间,并复制原来空间的内容进入新的空间。

(1).若使用聚合分析

ci=

1.当i-1=2^k,ci=i

2.当i-1!=2^k,ci=1

总代价为:

(2).若通过核算法。

令每一次操作的ĉi=3。总摊还时间为3n。

(3).若通过势能法。

定义φ(Di)=2*T.num-T.size。

1.非扩张

ĉi=ci+φ(Di)-φ(Di-1)

   =1+(2*numi-sizei)-(2*numi-1-sizei-1)

   =1+(2*numi-sizei)-(2(numi-1)-sizei)

   =3

2.扩张

 

ĉi=ci+φ(Di)-φ(Di-1)

   =numi+(2*numi  -  sizei)-(2*numi-1   -   sizei-1)

   =numi+(2*numi-2*(numi    -1))-(2*(numi    -1))-(numi    -1)

    =numi+2(numi   - 1)

    =3

总摊还代价为O(n)。

5.思考

如何求堆的摊还代价?

如何求AVL的摊还代价?

如何求splay的摊还代价?

6.参考文献

算法导论

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/315927.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

Bigraph Extension

Bigraph Extension 题意: 有2n个点,n为偶数,n个点属于集合A,n个点属于集合B。起初在途中有m个无向边,边的两侧端点分别在两个集合里,任何两个边都没有公共交点。 现在你可以执行任意次操作: 在…

微服务划分的姿势

我们知道微服务是一种理念,没有确切的定义和边界,好比设计原则,是属于抽象的概念。在定义不明确的情况下谈划分也是一种各说各话,具体问题需要具体分析,所以这篇文章谈到的划分也不是绝对标准,仅供参考。有…

点(树)分治

0.引言 对于树上问题&#xff0c;有许多特殊的求解方法&#xff0c;如&#xff1a;树链剖分。点分治算法也是其中之一&#xff0c;常用于解决树上路径问题。 1.0.问题的引入 给定一棵树&#xff0c;求这棵树的直径&#xff08;树上最长链长度&#xff0c;n<10^5&#xff…

斜率优化Convex Hull Trick

斜率优化 一、简单DP 首先从一道简单题引入。 [IOI2002]任务安排 Description N个任务排成一个序列在一台机器上等待完成&#xff08;顺序不得改变&#xff09;&#xff0c;这N个任务被分成若干批&#xff0c;每批包含相邻的若干任务。从时刻0开始&#xff0c;这些任务被分…

分布式部署携程Apollo构建配置中心

一、开场白在系统设计里我们有很多配置希望独立于系统之外&#xff0c;而又能够被系统实时读取。但是在传统的系统设计里&#xff0c;配置信息通常是耦合在系统内的&#xff0c;比如.net里通常会放在App.config或者web.config里&#xff0c;.net core则是appsettings.json里&am…

[COCI 2017-2018-2]-San

[COCI 2017-2018-2]-San san(1s64M) 游戏世界中有N个楼从左到右排列&#xff0c;从左到右编号为1到N&#xff0c;第i幢楼的高度为Hi,楼上的金币数为Gi,游戏可以从任意一个楼开始且包涵几步。每一步玩家可以从当前位置向右跳&#xff08;可以跳过一些楼&#xff09;但必须跳到…

领域模型架构 eShopOnWeb项目分析 上

一.概述本篇继续探讨web应用架构&#xff0c;讲基于DDD风格下最初的领域模型架构&#xff0c;不同于DDD风格下CQRS架构&#xff0c;二者架构主要区别是领域层的变化。 架构的演变是从领域模型到CQRS, 一开始DDD是用领域模型的分层架构&#xff0c;用单一的领域模型处理业务逻辑…

最小生成树--Boruvka算法

参考文章 介绍 第一次听说这个算法。。 对于最小生成树一定学过prim和krusal&#xff0c;prim复杂度是O(n2)或者O(elogn)O(n^2)或者O(elogn)O(n2)或者O(elogn),krusal复杂度是O(eloge)O(eloge)O(eloge)&#xff0c;这里介绍一下Boruvka算法 Boruvka算法解决某些特定问题非常好…

[NOIP2016]愤怒的小鸟(状压DP)

[NOIP2016]愤怒的小鸟&#xff08;状压DP&#xff09; 题目描述 输入输出格式 输入格式&#xff1a; 第一行包含一个正整数 T&#xff0c;表示游戏的关卡总数。 下面依次输入这 T个关卡的信息。每个关卡第一行包含两个非负整数 n,m&#xff0c;分别表示该关卡中的小猪数量和…

给 asp.net core 写一个简单的健康检查

给 asp.net core 写一个简单的健康检查Intro健康检查可以帮助我们知道应用的当前状态是不是处于良好状态&#xff0c;现在无论是 docker 还是 k8s 还是现在大多数的服务注册发现大多都提供了健康检查机制来检测应用的健康状态&#xff0c;如果应用本身就提供一个健康检查的机制…

从阿里中台战略看企业IT架构转型之道(下)

此文是我阅读《企业IT架构转型之道》一书的学习笔记的下半部分&#xff0c;所有内容出自钟华老师的这本书。上半部分Part1~Part5请点击这里Part 6 异步与缓存原则异步化事务 > 核心是ACID柔性事务 > 基础是CAP理论和BASE理论&#xff0c;因为互联网应用最核心的需求是高可…

CF1543C. Need for Pink Slips

CF1543C. Need for Pink Slips 题意&#xff1a; 题解&#xff1a; 其实具体的计算方法在说明里面都写了&#xff1a;对于第一个数据&#xff1a; 0.2 0.2 0.6 0.2组成方案如下&#xff1a; 就是c和m如果大于v就减&#xff0c;小于v就变成0&#xff0c;到p直接停止 所以直接…

并查集(并茶几)

并查集&#xff08;并茶几&#xff09;的应用 一、What‘s that&#xff1f; 并查集是一种树型的数据结构&#xff0c;用于处理一些不相交集合&#xff08;Disjoint Sets&#xff09;的合并及查询问题。常常在使用中以森林来表示。 ——百度百科 二、How to uphold 0.我们的需…

从阿里中台战略看企业IT架构转型之道(上)

此文是我阅读《企业IT架构转型之道》一书的学习笔记的上半部分&#xff0c;所有内容出自钟华老师的这本书。零、为何阅读《企业IT架构转型之道》在加入X公司后&#xff0c;开始了微服务架构的实践&#xff0c;也开始了共享平台服务的建设&#xff0c;在这方面阿里巴巴的中台战略…

ML.NET机器学习、API容器化与Azure DevOps实践(四):持续集成与k8s持续部署

通过上文所介绍的内容&#xff0c;我们已经完成了RESTful API的开发&#xff0c;现在&#xff0c;就可以使用Azure DevOps来进行持续集成&#xff08;CI&#xff09;和k8s持续部署&#xff08;CD&#xff09;了。本文我会对使用Azure DevOps进行CI/CD的过程中需要注意的地方进行…

P3195 [HNOI2008]玩具装箱

P3195 [HNOI2008]玩具装箱 题意&#xff1a; n件玩具&#xff0c;第i件玩具经过压缩后的一维长度为CiC_iCi​,现在把玩具装入一维容器中&#xff0c;要求&#xff1a; 在一个一维容器中的玩具编号是连续的如果一个一维容器中有多个玩具&#xff0c;那么两件玩具之间要加入一…

卷积与莫比乌斯反演

卷积与莫比乌斯反演 目录 卷积与莫比乌斯反演 0前言 0.1前置技能 0.2问题的引入 1.简单定义 1.1数论函数的定义 1.2卷积的定义 1.3反演的基本形式 2.1莫比乌斯反演 3.1例题&#xff1a;【luogu-P2257 YY的GCD】 题目大意&#xff1a; solution1 solution2 0.前言 莫比…

ML.NET机器学习、API容器化与Azure DevOps实践(三):RESTful API

通过上文所述案例&#xff0c;我们已经选择了最优回归算法来预测学生的综合成绩&#xff0c;并且完成了基于训练数据集的预测模型训练。从实现上&#xff0c;训练好的模型被保存成一个ZIP文件&#xff0c;以便在其它项目中直接调用以完成机器学习的实践场景。在本文中&#xff…

杜教筛

杜教筛 1.概述 杜教筛是用以解决积性函数前缀和的算法。 在学习了莫比乌斯反演之后&#xff0c;杜教筛的过程就会显得简单而自然。 2.基本形式 对于积性函数&#xff0c;我们定义如下函数&#xff1a; 构造积性函数 &#xff0c;使得 显然 &#xff1a; 进一步转化&#xf…

ML.NET机器学习、API容器化与Azure DevOps实践(二):案例

在上文中&#xff0c;我简单地介绍了机器学习以及ML.NET的相关知识&#xff0c;从本讲开始&#xff0c;我会基于一个简单的案例&#xff1a;学生成绩预测&#xff0c;来介绍使用ML.NET进行机器学习以及API部署的基本过程。本案例的数据来源为加州大学尔湾分校的机器学习公开样本…