Die Präsentation wird geladen. Bitte warten

Die Präsentation wird geladen. Bitte warten

Algorithmen & Datenstrukturen

Kopien: 1
1 Algorithmen & Datenstrukturen Prof. Dr. Peter Kneisel Sommersemester 2009.

Ähnliche Präsentationen


Präsentation zum Thema: "Algorithmen & Datenstrukturen"—  Präsentation transkript:

1 Algorithmen & Datenstrukturen
Sommersemester 2009 Prof. Dr. Peter Kneisel

2 Didaktik: Was will diese Vorlesung
Datenstrukturen und Algorithmen sind die Grundlagen jeder Software-Entwicklung. Datenstrukturen modellieren die (statischen) Strukturen der zu behandelnden Systeme, Algorithmen modellieren die (dynamischen) Prozesse, die auf den Strukturen arbeiten. Die Systeme und deren Verhalten, die modelliert werden, sind vielfältig. Dennoch werden in der Informatik immer wiederkehrende Strukturen und Prozesse zu deren Modellierung verwendet . Diese grundlegenden Modelle werden in dieser Vorlesung behandelt und – das ist fast noch wichtiger – in vielen Aspekten diskutiert. Daher können Studierende die grundlegenden Datenstrukturen und Algorithmen sinnvoll auswählen und umsetzen. Leistungsparameter von Algorithmen abschätzen und optimieren. auch weiterführende Datenstrukturen und Algorithmen entwerfen, umsetzen abschätzen und optimieren.

3 Didaktik: Durchführung
Diese Vorlesung enthält Übungen Die Übungen werden je nach Bedarf durchgeführt. Zur Vorbereitung werden Übungsblätter, je nach Vorlesungsverlauf zusammengestellt. Weitere Übungen sind im Foliensatz vorhanden und sollten selbständig und vollständig bearbeitet werden. Vorsicht ! Kommen Sie in alle Veranstaltungen - machen Sie die Übungen … auch wenn vieles auf JAVA zugeschnitten ist, so sind die Konzepte verallgemeinbar und vielseitig zu verwenden – insb. seien mir syntaktische „Ungenauigkeiten“ verziehen und sogar zusätzclicher Ansporn für eigene konstruktive Verbesserungsvorschläge ;-)

4 Didaktik: Folien Der Vorlesungsstoff wird anhand von Folien dargelegt
Die Folien bilden nur einen Rahmen für die Inhalte. Die Folien sollten daher mit Hilfe eigener Vorlesungsskizzen ergänzt werden - am besten in Form einer Vorlesungsnachbereitung max. 3 Tage nach der Vorlesung Zusätzlich zu den Folien werden Beispiele an der Tafel oder am Rechner gezeigt. Diese sollten Sie vollständig mitskizzieren. Zur vollständigen Nachbereitung, z.B. als Klausurvorbereitung, sind die Folien einheitlich strukturiert Es gibt genau drei Gliederungsebenen: Kapitel, Unterkapitel, Abschnitte Die Inhalte jedes Kapitels und jedes Unterkapitels werden jeweils motiviert und sind verbal beschrieben. Zusätzlich gibt es jeweils ein stichwortartiges Inhaltsverzeichnis der Unterkapitel, bzw. Abschnitte Die Vorlesung wird ständig überarbeitet, so dass sich die Foliensätze ändern können (und werden) Laden Sie sich zur endgültigen vollständigen Klausurvorbereitung nochmals zusätzlich den kompletten Foliensatz herunter.

5 Literatur Diese Veranstaltung ist anhand (wirklich) vieler Bücher und einer Menge eigener Erfahrungen erstellt worden. Die Inhalte der Folien orientieren sich allerdings an zwei Büchern: G.Saake, K.-U. Sattler: „Algorithmen & Datenstrukturen: Eine Einführung mit Java“, dpunkt.verlag, 2002 Robert Sedgewick: „Algorithmen in Java: Teil 1-4“; Addison-Wesley 2003 der Klassiker ist: N.Wirth: „Algorithmen & Datenstrukturen“, Teubner, 1979 Motivation ist alles ! Haben Sie meine Empfehlungen aus dem ersten Semester beherzigt ? S.Singh: „Fermats letzter Satz“; DTV, 9.Auflage 2004 M. Spitzer: „Geist im Netz“; Spektrum, Akad. Verlag 2000 H. Lyre: „Informationstheorie“; UTB, 2002 A.Hodges: „Alan Turing, Enigma“; Springer-Verlag, 1983 D.R.Hofstadter: „Gödel, Escher, Bach“; Klett-Cotta, 2006 (Taschenbuch 1991)

6 Inhalt In „Grundlagen der Informatik“ haben wir uns mit zwei grundlegenden Aspekte der Informatik befasst: Was ist Information und wie kann man diese auf höheren semantischen Ebenen strukturieren. Aus welchen einfachen Elementen ist ein (imperativer) Algorithmus aufgebaut „Algorithmen & Datenstrukturen“ nimmt diese Zweiteilung auf: Zunächst werden wir die semantische Leiter nach oben steigen und komplexere semantische Strukturen kennenlernen, die grundlegend für Lösungen vieler typischer Problemstellungen sind. Anschließend werden wir die wichtigsten Algorithmen kennenlernen, die auf diesen Strukturen arbeiten. Inhalt Abstrakte Datentypen (ADTs) Suchen: Grundlagen, Algorithmus, Analyse Sortieren Grundlagen, Algorithmus, Analyse

7 Überblick und Einordnung
Sortieren Suchen ADTs PIS A&D Statik, Struktur Dynamik, Algorithmik Datenstrukturen Komplexität Zahlen Verifikation Zeichen Strukturierung Codes Elemente Information OOP GDI RA

8 Kapitel 1 Abstrakte Datentypen (ADTs)
In „Grundlagen der Informatik“ haben wir elementare Strukturen kennengelernt und gesehen, wie daraus mit komplexeren Strukturierungsverfahren komplexere Strukturen aufgebaut werden können. Wir haben uns dabei genau auf die Strukturen beschränkt, die den meisten imperativen Programmiersprachen gemeinsam sind. In diesem Kapitel gehen wir nun in semantisch höhere Ebenen und erläutern Strukturen, die häufig verwendet werden, aber nicht im Sprachumfang der meisten Programmiersprachen liegen (sehr wohl aber in Klassenbibliotheken) Inhalt Wiederholung Was sind ADTs Stacks (Kellerspeicher, Stapel) Queues (Warteschlangen) Einfach verkettete Listen Zweifach verkettete Listen Hashlisten Bäume Graphen Frameworks

9 1.1 Wiederholung Wir haben bereits in „Grundlagen der Informatik“ einiges über die Beziehung von Datentypen erfahren. Was, wird hier kurz zusammengefasst Datenstrukturen Datentypen KLassifikation von Datentypen

10 1.1.1 Datenstrukturen In der Informatik werden Objekte der realen oder abstrakten Welt erfasst Bei der Erfassung beschränkt man sich möglichst auf die für den weiteren Transport / Speicherung/Verarbeitung/Umsetzung notwendige Information Zur internen Repräsentation werden diese Objekte abstrahiert Zur Abstraktion gehört die Erkennung von Strukturen - zunächst im Sinne einer Aggregation. Also Aus welchen Teilobjekten bestehen Objekte ? In welchem Verhältnis stehen die Teilobjekte zueinander ? Welches sind die „atomaren“ Teilobjekte ? es existieren noch weitere strukturelle Beziehungen (z.B. Vererbung) Anschließend werden diese Objekte typisiert. Typisierung ist die Einteilung von abstrakten internen Objekten in Gruppen mit gleichen oder ähnlichen Eigenschaften.

11 1.1.2 Datentypen Typen sind also nicht die intern repräsentierten Objekte, sondern beschreiben die Eigenschaft einer Gruppe von Objekten. Zu diesen Eigenschaften gehören: Struktur Wertebereich anwendbare Operatoren, Funktionen, Relationen Beziehungen zu anderen Typen interne Repräsentationsweise Beispiel: Imaginäre Zahlen Einige Anmerkungen:: Der Begriff „Datentyp“ ist weitergehend als der Begriff „Datenstruktur“ In der Objektorientierten Programmierung wird statt „Datentyp“ auch der Begriff „Klasse“ verwendet (Klassen beschreiben mehr Eigenschaften) Konkrete Repräsentanten eines Datentyps werden (u.a) „Variable“ oder - bei OO-Sprachen - „Instanz“ genannt

12 1.1.3 Klassifikation der Datentypen
! 1.1.3 Klassifikation der Datentypen Datentypen Konkrete Abstrakte Idealisierte Einfache Pointer(Zeiger) Strukturierte ... Ordinale Real (Fließkomma) Array (Feld) Record (Verbund) Union (Variantenverb.) ... Boolean (Wahrheitswert) Integer (Ganzzahl) Char (Zeichen) Enumeration (Aufzählung)

13 1.1.3 Erläuterung der Klassifikation
Idealisierte Datentypen aus der Mathematik bekannte Datentypen: R, N, Z, ... Variablen dieser Typen sind oft nicht endlich darstellbar (Bsp: 2) In einem Computer-Algebra-System symbolisch darstellbar (Bsp: 2^( 1/2)) Konkrete Datentypen in einem Rechner von Hard- oder Software bereitgestellte Datentypen entweder vordefiniert oder durch den Benutzer definierbar Abstrakte Datentypen verbergen ihren inneren Aufbau vor dem Benutzer bestehen aus beliebigen Strukturen über konkrete/idealisierte Datentypen, sowie aus Zugriffsfunktionen bzw. Prozeduren Beispiel: Baum 2 12 15 79 6 61 13 insert (Element) delete (Element) search (Element)

14 1.2 Was sind ADTs „Ein abstrakter Datentyp fasst die wesentlichen Eigenschaften und Operationen einer Datenstruktur zusammen, ohne auf deren eigentlichen Realisierung im Rechner einzugehen“ Konkrete Datentypen werden aus ordinalen (Basis-) Datentypen konstruiert und sind somit direkt in einer Implementierung einsetzbar. Grundsätze Algebren Signaturen Axiome Beispiel einer ADT-Schnittstelle Anwendung: Tabelle

15 1.2.1 Grundsätze Kapselung: Ein abstrakter Datentyp darf nur über seine Schnittstellen benutzt werden. Das bedeutet insbesondere, dass interne Strukturen von außen nicht direkt zugreifbar sind dass interne Strukturen, die nicht über Operationen der Schnittselle zugreifbar sind, gar nicht von außen zugegriffen werden können. Geheimnisprinzip: Die interne Realisierung eines abstrakten Datentyps ist verborgen. Das bedeutet insbesondere, dass konkrete Umsetzungen von ADTs sehr stark von der verwendeten Programmiersprache und der geplanten Verwendung abhängen. Diese Prinzipen der Kapselung und des Geheimnisprinzips wurden schon in frühen rein prozeduralen imperativen Programmiersprachen gefordert, aber erst mit der Einführung objektorientierter imperativer Programmiersprachen ducrh Sprachkonstrukte mehr oder weniger erzwungen. In Pascal konnte man Teilstrukturen eines abstrakten Datentyps jederzeit auch von außen zugreifen. Die möglichen Operation waren sprachlich nicht mit den Strukturen verknüpft. In Java werden Datenstrukturen als „private“ vor Zugriffen von außen geschützt und Operationen in Methoden „geheim“ realisiert.

16 ! 1.2.2 Algebren Datentypen (auch abstrakte) lassen sich mathematisch als „Algebren“ betrachten ( Vorlesung „Diskrete Strukturen“) Eine Algebra ist definiert durch Wertemengen und die Operatoren, die man darauf anwenden kann. Bsp: Betrachten Sie die natürlichen Zahlen. darauf lassen sich (zunächst) die Operatoren: +, -, x und % (ganzahliges Teilen) anwenden, als Ergebnis bekommen Sie Werte aus der Wertemenge der natürlichen Zahlen Sie können aber auch Vergleichsoperatoren: >, <, ==, != anwenden, dann bekommen Sie als Ergebnis Werte einer anderen Wertemenge, die der bool‘sche Zahlen: true, false, Sie können nun auf die Wertemenge der bool‘schen Werte auch bool‘sche Operatoren anwenden: , ,  als Ergebnis bekommen Sie wieder bool‘sche Werte. Ihre gesamte Algebra verwendet also zwei Sorten von Datenstrukturen (mehrsortige Algebra): natürliche Zahlen und bool‘sche Werte und kann darauf unterschiedliche Operatoren anwenden: +, -, x, %, >, <, ==, !=, , ,  wobei nicht jeder Operator auf jeden Wert (oder Wertepaar) anwendbar ist. Eine Algebra ist also definiert durch ihre Sorten, die Operationen und die Art, wie diese Operationen auf Werte der Sorten anwendbar sind.

17 ! 1.2.3 Signaturen Die Schnittstellen eines (A)DTs - also die Art, wie man den (A)DT verwendet -lassen sich durch seine Signatur beschreiben. Bsp: betrachten Sie den Datentyp integer: integer unterstützt/erzeugt zwei Sorten: integer und bool integer unterstützt die Operatoren: const :  integer // nullstelliger Operator: Konstante successor : integer  integer // einstellige Operation +, -, x, % : integer  integer  integer // zweistellige Operation >, <, ==, != : integer  integer  bool // zweistellige Operation ,  : bool  bool  bool // zweistellige Operation  : bool  bool // einstellige Operation Diese Formalisierung einer Algebra beschreibt die Strukturen und die Operationen eines (abstrakten) Datentyps und wird Signatur des Datentyps genannt. Aus der Signatur eines (A)DTs geht also insbesondere hervor: Dessen Wertebereiche in den unterschiedlichen Sorten Die Operatoren und deren Stelligkeit Die Wertebereiche der bei den Operationen verwendeten Operanten

18 ! 1.2.4 Axiome Selbst wenn Sie die Signatur eines (A)DT kennen, wissen Sie zwar welche Operatoren auf welche Wertebereiche (Sorten) anzuwenden sind, Sie wissen aber immer noch nicht wie die Werte durch die Operatoren verändert werden: Das beschrieben Sie mit Axiomen. Bsp.: Betrachten Sie die natürlichen Zahlen, so gilt z.B. für die Addition folgendes Axiom: + (i,0) = i + (i,successor (j)) = succesor (+ (i,j)) Entsprechend lassen sich für alle Operatoren Axiome aufstellen. Damit ergibt sich als Spezifikation für den ADT integer: (in Pseudo-Notation) type: integer // implizit auch verwendbare Sorte import: boolean // Sorten, die zusätzlich verwendet werden operators: +, -, x, % : integer  integer  integer ... axioms:  i,j : integer

19 1.2.5 Beispiel einer ADT-Schnittstelle
type: list(T) // T ist die Wertemenge der Elemente // T ist ein sog. Sortenparameter import: integer operators: [] :  list _ : _ : T x list  list // erweitert Liste // _ : _ ist Infix-Operator head : list  T // Kopf der Liste tail : list  list // Liste ohne Kopf length : list  integer // Anzahl Listenelemente axioms:  l : list,  x : T head ( x : l ) = x tail ( x : l ) = l lenght ( [] ) = 0 // [] ist leere Liste length ( x : l ) = successor ( length (l) )

20 1.2.6 Anwendung: Tabellen Listen repräsentieren oft „Tabellen“:
Definition: Eine Tabelle o der Größe n ist eine Folge (z.B. Liste) von n Elementen gleichen Typs o = (o1, o2, … , on) Oft sind die Elemente einer Tabelle nochmals in zwei Teile unterstruktiert: Schlüssel-Daten (key) Die Schlüsseldaten bezeichnen (oft eindeutig) das Element einer Liste. Der Key kann nochmals unterstrukturiert sein. Informations-Daten (info) Die Informations-Daten geben für das durch den key bezeichnete Element zusätzliche Informationen an. Auch info kann nochmals unterstrukturiert sein. key1 info1 Anmerkung: Da die Indizierung von Listen in vielen Programmiersprachen mit „0“ beginnt, man aber in der realen Welt mit „1“ zu zählen beginnt, wird das „0“-te Element oft als Dummy- Element mit einem Dummy-Wert versehen und ignoriert. key2 info2 keyn infon

21 1.3. Stacks (Kellerspeicher, Stapel)
Stacks (Kellerspeicher, Stapel) sind einfache Abstraktionen von Strukturen, die in vielen Bereichen der Informatik, insbesondere aber in den systemnahen Bereichen verwendet werden. Stacks bezeichnet man manchmal auch als LIFO (Last in – First Out)-Schlangen Spezifikation Implementierung Die Java-Klasse „stack“

22 ! 1.3.1 Spezifikation type: stack(T) // T ist die Wertemenge der Elemente import: boolean operators: empty :  stack // erzeugt leeren Stack push : stack x T  stack // Legt Element auf Stack pop : stack  stack // nimmt Element von Stack top : stack  T // zeigt oberstes Element an is_empty : stack  boolean // ist Stack leer ? axions:  s : stack,  x : T pop (push (s,x)) = s top (push (s,x)) = x is_empty (empty) = true // empty ist Wert des Stack is_empty (push (s,x)) = false

23 1.3.2 Implementierung eines Stacks
public class ArrayStack implements Stack { private Object elements[] = null; // Elemente private int num = 0; // aktuelle Anzahl // Stack mit vorgegebener Größe erzeugen public ArrayStack(int size) { elements = new Object[size]; } // Abfrage auf leeren Stack public boolean isEmpty() { return num == 0; public void push(Object obj) throws StackException { if (num == elements.length) // KapazitŠt erschöpft throw new StackException(); elements[num++] = obj; } public Object pop() throws StackException { if (isEmpty()) // Stack ist leer Object o = elements[--num]; elements[num] = null; return o; public Object top() throws StackException { return elements[num - 1];

24 1.3.3 Die Java-Klasse „stack“
import java.util.*; public class StackExample { public static void main(String[] args) { Stack s = new Stack(); // ohne Parameter s.push("Erstes Element"); // Rückgabewert: eingefügtes Element ... s.push("Zweites Element"); // ... wird ignoriert s.push("Drittes Element"); while (true) { try { System.out.println(s.pop()); // ? peek() würde Element entfernen } catch (EmptyStackException e) { // wird beim Lesezugriff auf ... break; // ... leeren Stack geworfen }

25 1.4. Queues Queues (Warteschlangen) sind lineare Listen, deren Elemente nach dem FIFO-Prinzip (First in–First Out) ein- bzw. ausgefügt werden Auch Queues kommen in systemnahen Bereichen vor, insbesondere bei Betriebssystemen. Spezifikation Implementierung einer Queue Die Java-Klasse „queue“

26 ! 1.4.1 Spezifikation type: queue(T) // T ist die Wertemenge der Elemente import: boolean operators: empty :  queue // erzeugt leere Queue enter : queue x T  queue // stellt Element ans Ende der Queue leave : queue  queue // nimmt erstes Element von Queue front : queue  T // zeigt erstes Element der Queue is_empty : queue  boolean // Ist Queue leer ? axions:  q : queue,  x : T // empty ist der Wert einer leeren queue leave (enter (empty,x)) = empty // (x) ohne Kopf = empty leave (enter (enter(q,x),y)) = enter (leave (enter (q,x)), y) // (q,x,y) ohne Kopf = (q,x) ohne Kopf + y -> ((q,x) ohne Kopf,y) front (enter (empty,x)) = x // Kopf von (x) = x front (enter (enter(q,x), y)) = front (enter (q,x)) // Kopf von (q,x,y) = Kopf von (q,x) is_empty (empty) = true // is_empty von empty ist true is_empty (enter(q,x)) = false // is_empty von (q,x) ist falsch

27 1.4.2 Implementierung einer Queue
public class ArrayQueue implements Queue { private Object[] elements; // Elemente private int l = 0; // „lower“ Zeiger private int u = 0; // „upper“ Zeiger // in der Queue sind max. size-1 Elemente // Queue mit vorgegebener Länge erzeugen public ArrayQueue (int size) { elements = new Object[size]; } public boolean isEmpty () { return l == u; // Zeige das lower Element public Object front () throws QueueException { if (isEmpty ()) throw new QueueException (); return elements[l]; // Einfügen eines Elementes public void enter (Object obj) throws QueueException { if ((elements.length - l + u) % elements.length == elements.length - 1) // Kapazität ist erschöpft (= size-1) throw new QueueException (); elements[u] = obj; // oberen Zeiger aktualisieren u = (u + 1) % elements.length; // Modulo, da array zyklisch verwendet. } // Herausnehmen des lower-Elementes public Object leave () throws QueueException { if (isEmpty ()) Object obj = elements[l]; elements[l] = null; // unteren Zeiger aktualisieren l = (l + 1) % elements.length; return obj;

28 1.4.3 Die Java-Klasse „queue“
import java.util.*; public class QueueExample { public static void main(String[] args) { Queue<String> queue = new LinkedList<String>(); // <...> gibt den Typ // von Elementen an queue.offer( "Fischers" ); queue.offer( "Fritze" ); queue.offer( "fischt" ); queue.offer( "frische" ); queue.offer( "Fische" ); queue.poll(); queue.offer( "Nein, es war Paul!" ); while ( !queue.isEmpty() ) System.out.println( queue.poll() ); } // und es gibt noch einige weitere Queues in java.util.*

29 1.5 Einfach verkettete Liste
Listen sind (ziemlich) simple Datentypen, die sich statisch durch den konkreten strukturierten Datentyp „array (Feld)“ darstellen lässt und damit in den meisten Programmiersprachen implizit vorhanden ist. In der nicht-imperativen Programmiersprache LISP ist „Liste“ zudem der einzige strukturierte Datentyp. Möchte man die Länge einer Liste jedoch zur Laufzeit eines Programmes dynamisch verändern so muss man auf eigenen Umsetzungen mithilfe eines ADTs zurückgreifen. class main Methoden Implementierung als Liste

30 1.5.1 class public class List { static class Node { Object obj; Node next; public Node(Object o, Node n) { obj = o; next = n; } public Node() { obj = null; next = null; } public void setElement(Object o) { obj = o; } public Object getElement() { return obj; } public void setNext(Node n) { next = n; } public Node getNext() { return next; } } private Node head = null; public List() {} public void addFirst(Object o) {} public void addLast(Object o) {} public Object getFirst() throws ListEmptyException {} public Object getLast() throws ListEmptyException {} public Object removeFirst() throws ListEmptyException {} public Object removeLast() throws ListEmptyException {} public int size() {} public boolean isEmpty() {}

31 1.5.2 main public static void main(String args[]) { List lst = new List(); lst.addFirst("Drei"); lst.addFirst("Zwei"); lst.addFirst("Eins"); lst.addLast("Vier"); lst.addLast("Fünf"); lst.addLast("Sechs"); while (! lst.isEmpty()) { System.out.println((String) lst.removeFirst()); }

32 1.5.3 Methoden public List() { head = new Node(); } public void addFirst(Object o) { Node n = new Node(o, head.getNext()); head.setNext(n); public Object getFirst() throws ListEmptyException { if (isEmpty()) throw new ListEmptyException(); return head.getNext().getElement(); public void addLast(Object o) { Node l = head; while (l.getNext() != null) l = l.getNext(); Node n = new Node(o, null); l.setNext(n); public Object removeFirst() throws ListEmptyException { if (isEmpty()) throw new ListEmptyException(); Object o = head.getNext().getElement(); head.setNext(head.getNext().getNext()); return o; } public Object removeLast() throws ListEmptyException { Node l = head; while (l.getNext().getNext() != null) l = l.getNext(); Object o = l.getNext().getElement(); l.setNext(null);

33 1.5.4 Implementierung als Liste
public class ListStack implements Stack { private List list; // Liste zur Verwaltung der Elemente public ListStack () { list = new List (); } public void push (Object obj) { // Element vorn anfŸgen list.addFirst (obj); public Object pop () throws StackException { if (isEmpty ()) throw new StackException (); // Element von vorn entfernen return list.removeFirst (); public Object top () throws StackException { return list.getFirst (); public boolean isEmpty () { return list.isEmpty ();

34 1.6 Zweifach verkettete Liste
Aus bestimmten Gründen – vor allem Laufzeit-Effizienz – verwendet man oft Listen, deren einzelne Elemente nicht nur den jeweiligen Nachfolger, sondern auch den jeweiligen Vorgänger kennen. Diese Listen nennt man das „Zweifach bzw. Doppelt verkettete Listen“ class iterator main Methoden

35 1.6.1 class public class DList { static class Node { Object obj; Node prev, next; public Node (Object o, Node p, Node n) { obj = o; prev = p; next = n; } public Node () { obj = null; prev = next = null; } ... // Setter und Getter-Methoden public void setElement (Object o) { obj = o; } public Object getElement () { return obj; } public void setNext (Node n) { next = n; } public Node getNext () { return next; } public void setPrevious (Node p) { prev = p; } public Node getPrevious () { return prev; } } private Node head = null; private Node tail = null; public java.util.Iterator iterator () {}

36 1.6.2 iterator class ListIterator implements java.util.Iterator { private Node node = null; public ListIterator () { node = head.getNext(); } public boolean hasNext () { return node.getNext () != tail; public void remove () { throw new UnsupportedOperationException (); public Object next () { if (! hasNext ()) throw new java.util.NoSuchElementException (); Object o = node.getElement (); node = node.getNext (); return o;

37 1.6.3 main public static void main (String args[]) { DList lst = new DList (); java.util.Iterator it = lst.iterator (); while (it.hasNext ()) { System.out.println ((String) it.next ()); } lst.addFirst ("Drei"); lst.addFirst ("Zwei"); lst.addFirst ("Eins"); lst.addLast ("Vier"); lst.addLast ("Fünf"); lst.addLast ("Sechs"); it = lst.iterator ();

38 1.6.4 Methoden public DList () { head = new Node (); // dieser Knoten existiert immer, auch bei leerer Liste tail = new Node (); // dieser Knoten existiert immer, auch bei leerer Liste head.setNext(tail); // head und tail werden initial miteinander verlinkt tail.setPrevious(head); tail.setNext(tail); // tail.next zeigt auf sich selbst } public void addFirst (Object o) { Node n = new Node (o, head, head.getNext()); head.getNext ().setPrevious (n); head.setNext (n); public Object getFirst () throws ListEmptyException { if (isEmpty ()) throw new ListEmptyException (); return head.getNext ().getElement (); public void addLast (Object o) { Node l = tail.getPrevious (); Node n = new Node (o, l, tail); l.setNext (n); tail.setPrevious (n); public Object removeFirst () throws ListEmptyException { if (isEmpty ()) throw new ListEmptyException (); Object o = head.getNext ().getElement (); head.setNext (head.getNext ().getNext ()); head.getNext ().setPrevious (head); return o; } public Object removeLast () throws ListEmptyException { Node n = tail.getPrevious (); n.getPrevious ().setNext (tail); tail.setPrevious (n.getPrevious ()); return n.getElement ();

39 1.7 Hashlisten Hashlisten sind Listenstrukturen, manchmal erweitert durch „weitere“ Strukturen, die sich sehr gut für das Suchen eignen ( Kapitel 2). Hier seien die grundlegenden Ideen des Hashens dargestellt. Grundprinzip des Hashens Die Hashfunktion Behandlung von Kollisionen Implementierung einer Hashliste

40 1.7.1 Grundprinzipien des Hashens
! 1.7.1 Grundprinzipien des Hashens Das Hashen basiert auf drei Grundprinzipien: Die Speicherung der Datensätze erfolgt in einem Feld mit Indexwerten von 0 bis n-1. wobei die einzelnen Positionen als „Buckets“ (Eimer) bezeichnet werden. Eine Hashfunktion h bestimmt für ein zu speicherndes Element e dessen Position h(e) im Feld Diese Hashfunktion h sorgt für eine „gute“ – im besten Fall kollisionsfreie, d.h. injektive (meist aber „Nur“ kollisionsarme) Abbildung d.h. Verteilung der zu speichernden Elemente. Da normalerweise der Wertebereich der möglicherweise zu speichernden Element größer ist als die Anzahl der Elemente in der Hashliste kann die Funktion h (meist) nicht für alle Werte n eindeutige Hashwerte h(n) liefern. Das führt zu Kollisionen, deren Behandlung die „Qualität“ eines Hashverfahrens ausmacht. Ist die Hashfunktion ungeschickt gewählt, kann das Verfahren „entarten“, was zu teilweise dramatischen Geschwindigkeitsverlusten führen kann.

41 1.7.2 Die Hashfunktion Die Auswahl der Hashfunktion h hängt natürlich vom zu speichernden Datentyp (bzw. dessen Wertebereich) und der Auftrittswahrscheinlichkeit der Werte ab. Für Integerwerte i wird oft die Modulofunktion verwendet: h(i) = i mod n (wobei n die größe der Hashliste ist) Diese Funktion funktioniert in der Regel nur für große primzahlige n gut (inbesondere ist n = 2x nicht gut !) Beispiel: h(i) = i mod 7 Index Element (danach führt jedes Element zu Kollision) Für andere Datentypen kann eine Abbildung auf Integerwerte erfolgen: Bei Fließkommazahlen kann man z.B. Mantisse und Exponent addieren Bei Strings kann man den ASCII oder Unicode der einzelnen Buchstaben, eventuell mit einem Faktor gewichtet, miteinander addieren. Meist ist eine Gleichverteilung der Bildbereiches der Hashfunktion wünschenswert, so dass man sich bestimmte Eigenschaften (z.B. ungleichgewichtige Verteilungen) des Urbildes zu Nutze machen kann und sollte. Andererseits geht die Komplexität der Hashfunktion h multiplikativ in die Gesamtkomplexität ein und sollte daher einfach gehalten werden.

42 1.7.3 Behandlung von Kollisionen
! 1.7.3 Behandlung von Kollisionen Führt die Hashfunktion für unterschiedlich Werte des Urbildes auf gleiche Hashwerte, so spricht man von Kollision, die man z.B. mit folgenden Verfahren behandeln kann: Verkettung der Überläufer: Man erweitert die eindimensionale Listenstruktur der Hashliste um eine zweite Dimension (z.B. durch eine einfach verkettete Liste), in die man die kollidierenden Werte ablegt Sondieren: Man legt den kollidierenden Wert an ein andere Stelle in der Hashliste ab, die sich durch die Berechnung eines Offsets ergeben: beim linearen Sondieren wird die nächste freie Position verwendet. (also als Offset die Werte 1,2,3,4, …) beim quadratischen Sondieren ergibt sich der mögliche Offset durch die Quadratzahlen (also 1,4,9,16,25, …). Dadurch wir d die „Klumpenbildung“, zu der das lineare Sondieren neigt, vermieden.

43 1.7.4 Implementierung einer Hashliste
public class HashTable { Object[] table; public HashTable (int size) { table = new Object [size]; } // fügt Element in Hashliste public void add (Object o) { int idx, oidx; // berechnen Hashfunktion oidx = idx = (o.hashCode () & 0x7fffffff) % table.length; // falls Kollision -> suche nächstes Freies while (table[idx] != null) { idx = ++idx % table.length; // fall Suche erfolglos -> Fehler if (idx == oidx) throw new HashTableOverflowException (); // trage Wert ein table[idx] = o; // sucht Element in Hashliste public boolean contains (Object o) { int idx, oidx; oidx = idx = (o.hashCode () & 0x7fffffff) % table.length; while (table[idx] != null) { if (o.equals (table[idx])) return true; idx = ++idx % table.length; if (idx == oidx) break; } return false; public static void main (String[] args) { HashTable tbl = new HashTable (20); tbl.add („Au"); tbl.add („Oh"); tbl.add („Ah"); System.out.println (tbl.contains („Ah")); System.out.println (tbl.contains („Be"));

44 1.8 Bäume Bäume sind (zumindest) zweidimensionale Strukturen, die viele reale Strukturen abzubilden Vermögen und zudem sehr gut zum Durchsuchen geeignet sind. Es gibt daher sehr viele spezielle Arten von Bäumen, von denen hier stellvertretend vor allem die binären Bäume behandelt werden sollen. Definitionen & Beispiele Spezifikation Datentypen Traversierung Weitere Bäume

45 1.8.1. Definitionen & Beispiele
! Definitionen & Beispiele Ein Baum ist eine Menge von Knoten und (gerichteten) Kanten mit folgenden Eigenschaften: Ein ausgezeichneter Knoten wird als Wurzel bezeichnet Jeder Knoten (außer der Wurzel) ist durch genau eine Kante mit seinem Vorgängerknoten verbunden (Vaterknoten, Elternknoten). Dieser Knoten wird dann auch als Kind (Sohn, Nachfolger) bezeichnet. Ein Knoten ohne Kinder heißt Blatt Knoten mit Kindern heißen innere Knoten Wirbeltiere (Unterstamm) Kiefermünder (Oberklasse) Vögel (Klasse) … (Ordnungen) Säugetiere (Klasse) Primaten (Ordnung) Kieferlose (Oberklasse) … (Klassen) Wirbeltiere (Unterstamm) Kiefermünder (Oberklasse) Vögel Säugetiere (Klasse) Primaten (Ordnung) Kieferlose … nich‘ so praktisch … wie sich der Informatiker einen Baum vorstellt

46 1.8.1. Definitionen & Beispiele
! Definitionen & Beispiele Ein Pfad in einem Baum ist eine Folge von unterschiedlichen Knoten, in der die aufeinanderfolgenden Knoten durch Kanten verbunden sind Zwischen jedem Knoten und der Wurzel gibt es genau einen Pfad Dies bedeutet, dass ein Baum zusammenhängend ist und keine Zyklen besitzt Unter dem der Niveau (der Tiefe) eines Knotens versteht man die Länge dessen Pfades zu der Wurzel Die Höhe (Tiefe) eines Baumes entspricht dem maximalen Niveau eines Blattes + 1 („+1“ da die Wurzel mitzählt) Je nach Art und Anzahl von Kindern unterscheidet man zwischen n-ären Bäumen, wenn die maximale Anzahl von Kindern gleich n ist (also z.B. binärer Baum, wenn die maximale Anzahl der Kinder gleich 2 ist) geordneten Bäumen, wenn die Kinder entsprechend einer Ordnungsrelation (z.B. von links nach rechts) angeordnet sind + * 1 2 3 5 Tiefe 0 Tiefe 1 ((1+2)*3)+(2+5) Tiefe 2 Tiefe 3

47 1.8.2. Binäre Bäume: Spezifikation
! Binäre Bäume: Spezifikation type: tree (T) // T ist die Wertemenge der Elemente import: boolean operators: empty :  tree // erzeugt leeren Baum // verbindet zwei Bäume über neue Wurzel T bin : tree x T x tree  tree left : tree  tree // liefert den linken Teilbaum right : tree  tree // liefert den rechten Teilbaum value : tree  T // liefert die Wurzel is_empty : tree  boolean // ist Baum leer ? axions:  s : stack,  x : T left (bin (x,b,y)) = x // linker Teilbaum right (bin (x,b,y)) = y // rechter Teilbaum value (bin (x,b,y)) = b // Wurzel is_empty (empty) = true // empty ist Wert des Baums is_empty (bin (x,b,y)) = false

48 1.8.3 Binäre Bäume: Datentypen
+ * 1 2 3 5 static class TreeNode { Object key; // Wert des Knotens TreeNode left = null; // Referenz auf linken Teilbaum TreeNode right = null; // Referenz auf rechten Teilbaum // Konstruktor public TreeNode (Object e) { key = e; } // getter Methoden public TreeNode getLeft () { return left; } public TreeNode getRight () { return right; } public Object getKey () { return key; } // setter Methoden public void setLeft (TreeNode n) { left = n; } public void setRight (TreeNode n) { right = n; } } static class BinaryTree { protected TreeNode root = null; public BinaryTree () { } public BinaryTree (TreeNode n) { root = n; } TreeNode e1 = new TreeNode(“+“); e1.setleft (new TreeNode(“1“)); e1.setright (new TreeNode(“2“)); TreeNode e2 = new TreeNode(“*“); e2.setleft (e1); e2.setright (new TreeNode(“3“)); TreeNode e3 = new TreeNode(“+“); e3.setleft (new TreeNode(“2“)); e3.setright (new TreeNode(“5“)); TreeNode e = new TreeNode(“+“); e.setleft (e2); e.setright (e3);  Bäume baut man „von unten nach oben“ auf

49 1.8.4 Binäre Bäume: Traversierung
! 1.8.4 Binäre Bäume: Traversierung Je nach Reihenfolge unterschiedet man beim Baumdurchlauf folgende Traversierungsarten. Inorder: Hier wird zuerst rekursiv der linke Teilbaum, danach der Knoten selbst, und schließlich der rechte Teilbaum durchlaufen. Preorder: Hier wird zuerst der Knoten, danach zunächst rekursiv der linke Teilbaum und schließlich rekursiv der rechte Teilbaum durchlaufen. Postorder: Hier wird zuerst rekursiv der linke Teilbaum, danach rekursiv der rechte Teilbaum, schließlich der Knoten durchlaufen. Diese Traversierungsarten gehen also für jeden Knoten rekursiv in die Tiefen der beiden Teilbäume und können daher auch Tiefentraversierung genannt werden. Daneben gibt es noch eine Traversierungsart, die auf jedem Niveau alle Knoten berücksicht. Diese Breitentraversierung nennt man: Levelorder: erst werden alle Knoten eines Niveaus durchlaufen, danach rekursiv die beiden Teilbäume + * 1 2 3 5 Inorder: * Preoder: + * Postorder: * ( UPN) Levelorder: + *

50 1.8.4 Binäre Bäume: Traversierung
private void printPreorder (TreeNode n) { if (n != nullNode) { System.out.println (n.toString ()); printPreorder (n.getLeft ()); printPreorder (n.getRight ()); } private void printPostorder (TreeNode n) { printPostorder (n.getLeft ()); printPostorder (n.getRight ()); protected void printInorder (TreeNode n) { printInorder (n.getLeft ()); printInorder (n.getRight ()); private void printLevelorder (Queue q) { while (! q.isEmpty ()) { TreeNode n = (TreeNode) q.leave (); if (n.getLeft () != nullNode) q.enter (n.getLeft ()); if (n.getRight () != nullNode) q.enter (n.getRight ()); System.out.println (n.toString ()); } ... // zur Zwischenspeicherung der Knoten ->1.4.2 Queue queue = new ArrayQueue (); // Initialisierung queue.enter (root); // Aufruf printLevelorder (queue);

51 1.8.5 Weitere Bäume Für spezielle Anwendungen des Suchens und Sortierend werden bestimmte Spezialformen von Bäumen verwendet Ausgeglichene (balanced) Bäume: Hier wird beim Auf- und Abbau des Baumes versucht ,die Tiefen der Teilbäume möglichst ähnlich oder sogar gleich zu halten: AVL-Bäume sind binäre Bäume und beschränken die Niveaudifferenz aller Teilbäume auf 1. Sie werden vor allem zum Suchen verwendet . B-Bäume (b steht für balanciert, buschig, breit) sind n-äre Bäume, bei denen alle Teilbäume gleichtief sind. Diese sind also meist nicht binär. Sie werden oft bei Datenbanksystemen zur Indexierung verwendet. Digitale Bäume: Das sind n-äre Bäume die eine feste Anzahl von Verzweigungen (Nachfolgenknoten) unabhängig von den Werten im Baum haben. Tries (retrieval): sind n-äre Bäume bei denen die n Werte (z.B. 127 ASCII-Werte) des Knotens als Index für die Nachfolgeknoten verwendet werden. Sie werden zum Suchen von Worten in Texten verwendet. ( Patricia-Bäume (Practical Algorithm to Retrieve Information Coded in Alphanumeric): Spezielle Form von Tries, bei denen Knoten mit nur einem Nachfolger übersprungen werden können. Auch Sie werden zum Suchen von Worten in Texten (oder von Gensequenzen in einem Genom) verwendet.  Kapitel 2

52 1.9. Graphen Graphen sind (oft) die komplexesten Grundstrukturen, mit denen man es bei abstrakten Datentypen zu tun hat. ,,, und tatsächlich sind die im vorherigen Unterkapitel behandelten Bäume Spezialfälle von Graphen. Arten Umsetzung Implementierung eines Graphen

53 ! 1.9.1 Arten Es gibt (neben anderen) drei wichtige Arten von Graphen
ungerichtete Graphen: Hier sind Knoten mit ungerichteten Kanten verbunden, d.h. es gibt kein Nachfolge- oder Vorgänger-Beziehung und auch kein Einschränkungen bezüglich Anzahl von Kanten pro Knoten. Anwendungen findet man bei der Modellierung von Straßenverbindungen (ohne Einbahnstraßen), der Nachbarschaft von Gegenständen oder eines Telefonnetzes. gerichtete Graphen: Hier sind Knoten durch gerichtete Kanten verbunden, es kann also zwischen zwei Knoten bis zu zwei Kanten geben (eine hin, eine zurück). Anwendungen sind Modelle von Förderanlagen, der Kontrollfluss von Programmre gerichtete azyklische Graphen (DAG directed acyclic graphs): dieser Spezialfall von gerichteten Graphen erlaubt keine Zyklen im Graph, d.h. es darf keinen Pfad von einem Knoten zu sich selbst geben. Zusätzlich können Kanten von Graphen noch gewichtet sein (gewichtete Graphen) 25 1 2 1 2 1 2 75 20 3 3 3 24 22 4 5 4 5 4 5 64 30 6 6 6

54 ! 1.9.2 Umsetzung Die interne Darstellung von Graphen erfolgt (historisch) in vier Varianten: Knotenliste: <#Knoten>,<#Kanten>, <Kanteniste> (<Kantenlliste> := <Vorgängerknoten>, <Nachfolgeknoten>) 6, 8, 1,2, 1,4, 3,2, 3,5, 4,5, 4,6, 5,2, 6,3 Kantenliste: <#Knoten>,<#Kanten>, <Kantenliste> (<Kantenliste> := <#Nachfolgeknoten>,<Nachfolgeknoten, …>) 6, 8, 2,2,4, 0, 2,2,5, 2,5,6, 1,2, 1,3 Adjazenzmatrix dynamische Adjazenzliste 1 4 5 2 3 6 25 75 24 22 20 64 30 32 1 2 3 4 5 6

55 1.9.3 Implementierung eines Graphen
public class Graph { static class Edge { int dest, cost; public Edge(int d, int c) { dest = d; // Nachfolgeknoten cost = c; // Gewicht } private ArrayList nodes; public Graph() { nodes = new ArrayList(); public void addNode(String label) { ... } public void addEdge(String src, String dest, int cost) { ... } public Iterator getEdges(int node) { ... }

56 1.10. Frameworks Aufgrund des häufigen Einsatzes dieser ADTs gibt es praktisch für jede Programmiersprache entsprechende Bibliotheken. ADTs in Programmiersprachen Bibliotheken in Java

57 1.10.1 ADTs in Programmiersprachen
ADTs werden in vielen Programmiersprachen unterstützt: Diese Bibliotheken sind zwar teilweise standardmäßig in den Entwicklungsumgebungen enthalten, sind aber (meist) nicht Teil des Sprachumfangs Manche Programmiersprachen besitzen ADTs als Teil des Sprachumfangs. (z.B. good ol‘ Pascal: sets) Beispiele für C++ und Java: C++: Standard Template Library (Vorsicht: nicht standardisiert !) (z.B. :Java Collection Framework (http://java.sun.com/docs/books/tutorial/collections/index.html)

58 Bibliotheken in Java In Java sind diverse Klassen definiert, die die hier beschriebenen ADTs implementieren: Vector funktioniert wie ein array, das bei Bedarf dynamisch wachsen kann. Nur für Integerwerte. Generische Variante: ArrayList Stack ferweiterert Vector zu eimem LIFO-Stack. LinkedList Doppelt verkettete Liste, kann auch als Queue (Warteschlange) eingesetzt werden. HashMap Hashliste. TreeMap kann auch für gehashten (assoziativen) Zugriff verwendet werden, ist intern als Baum aufgebaut und etwas langsamer – dafür sind die Schlüssel alle sortiert. TreeSet Balancierter Binärbaum. Die Elemente im Baum sind sortiert Diese Klassen befinden sich im Paket: java.util.* und können mit import java.util.* eingebunden werden.

59 ! 1.11 Zusammenfassung „Ein abstrakter Datentyp fasst die wesentlichen Eigenschaften und Operationen einer Datenstruktur zusammen, ohne auf deren eigentlichen Realisierung im Rechner einzugehen“ Stacks (Kellerspeicher, Stapel) sind einfache Abstraktionen von Strukturen, die in vielen Bereichen der Informatik, insbesondere aber in den systemnahen Bereichen verwendet werden. Stacks bezeichnet man manchmal auch als LIFO (Last in – First Out)-Schlangen Queues (Warteschlangen) sind lineare Listen, deren Elemente nach dem FIFO-Prinzip (First in–First Out) ein- bzw. ausgefügt werden Auch Queues kommen in systemnahen Bereichen vor, insbesondere bei Betriebssystemen. Listen sind (ziemlich) simple Datentypen, die sich statisch durch den konkreten strukturierten Datentyp „array (Feld)“ darstellen lässt und damit in den meisten Programmiersprachen implizit vorhanden ist. In der nicht-imperativen Programmiersprache LISP ist „Liste“ zudem der einzige strukturierte Datentyp. Möchte man die Länge einer Liste jedoch zur Laufzeit eines Programmes dynamisch verändern so muss man auf eigenen Umsetzungen mithilfe eines ADTs zurückgreifen. Aus bestimmten Gründen – vor allem Laufzeit-Effizienz – verwendet man oft Listen, deren einzelne Elemente nicht nur den jeweiligen Nachfolger, sondern auch den jeweiligen Vorgänger kennen. Diese Listen nennt man das „Zweifach bzw. Doppelt verkettete Listen“ Bäume sind (zumindest) zweidimensionale Strukturen, die viele reale Strukturen abzubilden vermögen und zudem sehr gut zum Durchsuchen geeignet sind. Es gibt daher sehr viele spezielle Arten von Bäumen, von denen hier stellvertretend vor allem die binären Bäume behandelt werden sollen. Graphen sind (oft) die komplexesten Grundstrukturen, mit denen man es bei abstrakten Datentypen zu tun hat (Tatsächlich sind die im vorherigen Unterkapitel behandelten Bäume Spezialfälle von Graphen) Aufgrund des häufigen Einsatzes dieser ADTs gibt es praktisch für jede Programmiersprache entsprechende Bibliotheken.

60 Übung 1 Implementieren Sie einen stack Implementieren Sie eine queue.
Fügen Sie 10 Elemente ein. Entnehmen Sie die Elemente wieder und geben Sie sie dabei aus. Implementieren Sie eine queue. Implementieren Sie eine Hashliste (der Länge 41) für deutsche Worte mit quadratischem Sondieren zur Auflösung von Kollisionen Fügen Sie 30 Worte ein. Geben Sie Ihre Hashfunktion an und die Hashwerte für Ihre eingetragen Worte Suchen Sie nach 5 vorhandenen und 5 nicht vorhandenen Worten, geben Sie dabei jeweils auch den Hashwert an Implementieren Sie einen binären Baum und fügen Sie 30 Element ein Traversieren Sie den Baum Inorder, Preorder, Postorder und inline, Geben Sie die Elemente dabei jeweils aus.

61 2. Sortieren Suchen und Sortieren sind grundlegende Operationen in der Informatik. Man schätzt, dass über 50% der Rechenzeiten auf diese Operationen zurückzuführen sind. Für diese beiden Operationen gibt es zwar völlig unterschiedliche Umsetzungen, doch sind beide Operationen mitteinander verwandt, denn oft basiert ein Suche auf sortierten Strukturen. Das ist auch der Grund, weshalb das (eher etwas kniffeligere) Sortieren vor dem Suchen behandelt wird. Wiederholung: Komplexität Grundlagen Elementare Sortieralgorithmen Fortgeschrittene Sortieralgorithmen Zusammenfassung

62 2.1 Wiederholung: Komplexität
In GDI haben wir den Begriff „Komplexität“ diskutiert und definiert. Komplexität, insbesomdere Zeitkomplexität (Aufwand) ist nun ein entscheidendes Kriterium für und wider den Einsatz der im folgenden behandelten Algorithmen und soll daher hier nochmals kurz wiederholt werden. Inhalt Wie „gut“ ist ein Algorithmus Die O-Notation Häufige O-Ausdrücke Einige Regeln Quantitatives Platzbedarf

63 2.1.1 Qualität eines Algorithmus
Die Abarbeitung eines Algorithmus benötigt „Ressourcen“, vor allem: Zeit Laufzeit des Algorithmus Platz Speicherplatzbedarf des Algorithmus Problem bei der Ressourcenermittlung - der Ressourcenbedarf ist Abhängig von: der Problemgröße (z.B. Multiplikation einer 10x10 bzw. 100x100 Matrix) der Eingabewerte (z.B. Sortieren einer bereits sortierten Menge) der Fragestellung (bester, mittlerer, schlechtester Fall) der Güte der Implementierung (z.B. (un-)geschickte Typwahl) der Hard- und Software (z.B. Schneller Rechner, optimierter Compiler) Es gibt auch Qualitätsmerkmale eines Algorithmus, der sich nicht am Ressourcenbedarf festmachen (aber das ist eine andere Geschichte ...) Wartbarkeit, Wartungsintensität Robustheit Eleganz ...

64 2.1.2 Die O-Notation: Definition
! 2.1.2 Die O-Notation: Definition Definition: Eine Funktion g(n) wird O(f(n)) genannt („Die Laufzeit, der Aufwand, die Zeitkomplexität von g(n) ist O(f(n))“), falls es Konstanten c und n0 gibt, so dass: g(n)  cf(n), für fast alle n  no ist f(n) ist damit eine obere Schranke für die Laufzeit des Algorithmus (allerdings nur zusammen mit einem festen c und ab bestimmten n0) ! Die Problemgröße kann der Umfang der Eingabemenge sein, die Größe des zu verarbeitenden Objektes (z.B. der Zahl), … Laufzeit Problemgröße g(n) f(n) cf(n) no g(n)  cf(n), für alle n  no

65 2.1.3 Die O-Notation: Beispiel
! 2.1.3 Die O-Notation: Beispiel Beispiel: Bei der Analyse eines Algorith-mus hat sich herausgestellt, dass die Laufzeit: g(n) = 3n2 + 7n – 1 ist. Behauptung: Die Laufzeit von g(n) ist O(n2), also f(n)=n2, Beweis: Es muss Konstanten c und n0 geben, so dass gilt: 3n2+7n-1  c n2, für alle n  n0 setze n0=7 und c=4, dann gilt: 3n2+7n-1  3n2+7n  3n2+n2 = 4n2 Allgemein: g(n) = amnm + am-1nm-1 + … + a0n0  amnm + am-1nm + … + a0nm = nm (am + am-1 + … + a0 ) also: g(n)  c nm mit c = am + am-1 + … + a0 Laufzeit g(n)  cf(n), für fast alle n  no cf(n) = 4 n2 g(n) f(n)=n2 Problemgröße no

66 2.1.4 Die O-Notation: Schranken
Die Notation gibt nur eine obere Schranke der Komplexität , das muss nicht notwendigerweise die beste Schranke sein. Beispiel: Eine weitere obere Schranke für g(n) = 3n2 + 7n - 1 ist auch O(n3), welche sicher nicht die beste ist. Bei der Suche nach der Größenordnung von f(n) wird man versuchen, das kleinste f(n) zu finden, für das g(n)  c . f(n) Dieses ist dann eine kleinste, obere Schranke für den Aufwand Zur Bestimmung des tatsächlichen asymptotischen Aufwands wird man also noch eine größte, untere Schranke h(n) = (g(n)) suchen für die gilt: limn h(n)/f(n) = 1 Eine untere Schranke ist die Zeit, die jeder Algorithmus (ab einem n>n0) benötigt Das ist im Allgemeinen viel schwieriger !

67 2.1.5 Die O-Notation: Achtung
Achtung ! Die Konstanten c und n0 werden üblicherweise nicht angegeben und können sehr groß sein Beispiel: Algorithmus A habe eine Laufzeit von O(n2) Algorithmus B für das gleiche Problem eine Laufzeit von O(1,5n) Welcher Algorithmus ist besser ? schnelle Antwort: A (das stimmt auch für große n) bessere Antwort: Wie groß ist n ? Wie groß sind die Konstanten ? z.B. für cA=1000 und cB=0,001 n cAn2 cB1,5n ,5  10-3 ,8  10-2 20 4  105 3,3 50 2,5  106 6,4  105 ,1  1014 Bis hier ist B besser als A

68 Übung 2.1: Erstellen Sie ein Graphik (mit Excel) in der Sie die Laufzeiten der wichtigsten Komplexitätsklassen “sinnvoll“ darstellen.

69 2.2.. Grundlagen … bevor es losgeht: Definitionen Beispiele
Framework für Implementierungen

70 ! 2.2.1 Definitionen Beim Sortieren werden Elemente entsprechend der Werte ihrer Schlüssel entsprechend einer Ordnungsrelation angeordnet Elemente sind Datenstrukturen, die aus mehreren Unterstrukturen bestehen können, d.h. Element müssen nicht „elementar“ (Int, Real, Char, etc). sein. Sortieren ist eine „generische“ Operation, d.h. Elemente unterschiedlichsten Typs können sortiert werden, sofern eine sinnvolle Ordnungsrelation existiert, Liegen die Elemente vollständig im Hauptspeichers vor, sprechen wir von internem Sortieren, ansonsten von externem Sortieren. Dabei ist der wesentliche Unterschied, dass beim internen Sortieren leicht auf beliebige Elemente zugegriffen werden kann. Bein externen Sortieren kann das nur sequenziell oder allenfalls blockweise geschehen. Eine oder mehrere Element-Unterstrukturen definieren den (nicht notwendigerweise eindeutigen) Schlüssel, der einen eindeutigen Wert besitzt. Ist der Schlüssel nicht eindeutig, so kann es mehrere auch unterschiedliche Elemente mit gleichem Schlüssel geben. Sortierverfahren die die ursprüngliche Reihenfolge von Elementen gleichen Schlüssels beibehalten heißen „stabil“. Auf dem Wertebereich des Schlüsselwertes muss eine Ordnungsrelation definiert sein, die die Reihenfolge der Schlüsselwerte festlegt.

71 2.2.2 Beispiele Kartenspiel Telefonbuch: Name, Vorname, Telefonnr
Element = Schlüssel unterschiedliche Ordnungsrelationen (Für Skat, Doppelkopf, …) Telefonbuch: Name, Vorname, Telefonnr Element > Schlüssel Alphabet als Ordnungsrelation …  Tafel

72 2.2.3 Framework für Implementierungen
interface ITEM { boolean less(ITEM v); } class Sort { static boolean less(ITEM v, ITEM w) { return v.less(w); } static void exch(ITEM[] a, int i, int j) { ITEM t = a[i]; a[i] = a[j]; a[j] = t; } static void compExch(ITEM[] a, int i, int j) { if (less(a[j], a[i])) exch (a, i, j); } static void sort(ITEM[] a, int l, int r) { example(a, l, r); } static void example(ITEM[] a, int l, int r) for (int i = l+1; i <= r; i++) for (int j = i; j > l; j--) compExch(a, j-1, j); } }s class myItem implements ITEM // Key ist int { private int key; public boolean less(ITEM w) { return key < ((myItem) w).key; } void read() { key = In.getInt(); } void rand() { key = (int) (1000 * Math.random()); } public String toString() { return key + ""; } } class myItem implements ITEM // Key ist string { String key; { return key.compareTo(((myItem) w).key)<0; } { key = In.getString(); } { int a = (int)('a'); key = ""; for (int i = 0; i < 1+9*Math.random(); i++) key += (char) (a + 26*Math.random()); public String toString() { return key; }

73 Übung 2.2: Implementieren Sie dieses Framework und wenden Sie es in einem einfachen Fall an.

74 2.3. Elementare Sortieralgorithmen
… da Sortieren eine so grundlegende Operation in der Informatik ist, gibt es schon seit einigen Jahrzehnten eingeführte Algorithmen, die teilweise optimiert wurden und immer noch Einsatz finden: Selection Sort (Sortieren durch Auswählen) Insertion Sort (Sortieren durch Einfügen) Shellsort Bubblesort Vergleich sorting-algorithms.com

75 2.3.1 Selection Sort (Sortieren durch Auswählen)
! 2.3.1 Selection Sort (Sortieren durch Auswählen) Idee: Suche das kleinste Element (z.B. einer Liste) und tausche es mit dem Element an der ersten Position. Betrachte dann den Rest der Liste und gehe ebenso vor Beispiel instabil: 3 kommt hinter

76 2.3.1 Selection Sort: Implementierung Variante 1
// Sorts array a starting from index l up to index r static void selection(ITEM[] a, int l, int r) { // iterates through list for (int i = l; i < r; i++) { int min = i; // initialize index to minimum // iterate through unsorted part of list for (int j = i+1; j <= r; j++) { if (less(a[j], a[min])) { min = j; // index to minimum has changed } exch(a, i, min); // swap first element with minimum // even if i=min, i.e. minimum is already // in front

77 2.3.1 Selection Sort: Diskussion 1
! 2.3.1 Selection Sort: Diskussion 1 Eigenschaften: Nicht stabil (gleiche Keys können umgeordnet werden) Nicht adaptiv, d.h. Algorithmus „profitiert“ nicht von „günstigen“ Vorgaben:, z.B. von einer vorhandenen Sortierung. Aufwand: im Beispiel: …+1 Vergleiche = (n*(n+1)) / 2  O(n2) Im Beispiel: 11 Umordnungen (Einsortierungen) = n  O(n) Best Case = Worst Case = Average Case = O(n2) O(1) Platzkomplexität

78 2.3.1 Selection Sort: Implementierung Variante 2 -stabil
// Sorts a linked list, by removing it from in-list (h.next) and // inserting max in front of the out-list (out) // (head of list is dummy) // find node previous to minimum in linked list private static Node findMin(Node h) { for (Node t = h; t.next != null; t = t.next) if (t.next.item < h.next.item) h = t; return h; } // iterate through in-list and move max to head of out-list static Node selection(Node h) { Node head = new Node(-1, h), out = null; while (head.next != null) { Node min = findMin(head); Node t = max.next; min.next = t.next; // remove from in-list t.next = out; out = t; // put in front of out-list return out;

79 2.3.1 Selection Sort: Diskussion 2
! 2.3.1 Selection Sort: Diskussion 2 Eigenschaften: stabil Nicht adaptiv, d.h. Algorithmus „profitiert“ nicht von „günstigen“ Vorgaben:, z.B. von einer vorhandenen Sortierung. Aufwand: wie bei Implementierung 1 schlechtere O(n) Platzkomplexität Selection Sort wird (trotz schlechten Aufwandes) eingesetzt für das Sortieren von Daten mit großen Elementen mit jeweils kleinen Schlüsseln: … bei diesen Daten sind die Kosten für den Vergleich sehr viel kleiner als die Kosten für die Umordnung. Der Aufwand für die Umordnungen ist mit O(n) kleiner als in den meisten anderen Verfahren.

80 2.3.2 Insertion Sort (Sortieren durch Einfügen)
! 2.3.2 Insertion Sort (Sortieren durch Einfügen) Idee: Wie beim Sortieren eines Kartenblattes auf der Hand eines Spielers werden neue (rechts neben den bereits sortierten) Karten in das bereits sortierte Kartenblatt an der richtigen Stelle eingefügt. Angewandt auf eine Liste existiert also immer eine bereits sortierte Teilliste (am Anfang der Liste), die bei jeder Iteration um ein weiteres korrekt einsortiertes Element erweitert wird.. Beispiel: // swapping of „1“ is exhausting

81 2.3.2 Insertion Sort: Implementierung Variante 1
// sort array “ITEM[]” between indexes l and r static void example(ITEM[] a, int l, int r) { // iterate through list (starting with second position) from ltr for (int i = l+1; i <= r; i++) { // consider first element after already sorted list. // Iterate from rtl through already sorted list // and swap elements if considered one is smaller for ( int j = i; j > l; j-- ) compExch(a, j-1, j); }

82 2.3.2 Insertion Sort: Implementierung Variante 2
Bringt zunächst das kleinste Element nach vorn, so dass der sortierte Teil nicht mehr vollständig verschoben werden muss, wenn immer wieder „kleinste“ Elemente einzusortieren sind. Die innere Schleife beinhaltest keine Vertauschungen (compExch = drei Zuweisungen) sondern nur eine Zuweisung (a[j] = a[j-1]) Die innere Schleife terminiert, sobald die richtige Position gefunden ist. // sort array “ITEM[]” between indexes l and r static void insertion(ITEM[] a, int l, int r) { int i; // initially bring smallest element to front for (i = r; i > l; i--) compExch(a, i-1, i); // iterate through list starting with second position from left to right for (i = l+2; i <= r; i++) { int j = i; ITEM v = a[i]; // remember element to be inserted // Iterate from right to left through already sorted list // and shift elements to right ... while (less(v, a[j-1])) // ... stop on correct position { a[j] = a[j-1]; j--; } // insert element to its proper position a[j] = v; }

83 2.3.2 Insertion Sort: Diskussion
! 2.3.2 Insertion Sort: Diskussion Eigenschaften Stabil Adaptiv: O(n) Zeitkomplexität, wenn die Daten stark vorsortiert sind kleiner overhead (kompakter Code) Aufwand: Vergleiche : min: O(n), max: O(n2), average O(n2) Bewegungen: min: O(n), max: O(n2), average O(n2) also O(n) für stark vorsortierte oder sortierte Daten. O(1) Platzkomplexität Der Insertion Sort wird eingesetzt, wenn es auf einen stabilen Algorithmus ankommt … … und die Daten stark vorsortiert sind (da er adaptiv ist) … oder die Problemgröße klein ist (da er kompakt ist, also wenig „Overhead“ hat)

84 2.3.3 Shellsort (Donald L. Shell, 1959)
! 2.3.3 Shellsort (Donald L. Shell, 1959) Motivation: Der Insertion-Sort ist langsam, da nur benachbarte Element getauscht werden. Insbesondere sehr kleine Elemente müssen dabei häufig vertauscht werden, um vom Ende an den Anfang zu „rutschen“ Idee: Bei den bislang behandelten Algorithmen ist der linke Teil der Liste jeweils sortiert, als jedes Element links . Beim Shellsort werden Teillisten, bestehend aus den jeweils h-ten Elementen mit dem Insertion-Sort sortiert . Man verkleinert h bis es zu 1 wird. Die Schrittweite des Vertauschens ist anfangs also groß, so dass Elemente „recht schnell grob vorsortiert“ werden. Beispiel (h-Folge: 4,3,1) h = 4 h =   mit h=1 wird hier abschließend nochmals Insertion-sortiert 

85 2.3.3 Shellsort: Implementierung
// sort array “ITEM[]” between indexes l and r static void shell(ITEM[] a, int l, int r) { int h; // compute initial value of h depending on lebgth of array (r-l) for (h = 1; h <= (r-l)/9; h = 3*h+1); // dicrease h – by dividing by 3 -> h = ...,364,121,40,13,4,1 for ( ; h > 0; h /= 3) { // apply insertion sort - increment not 1 but h for (int i = l+h; i <= r; i++) { int j = i; ITEM v = a[i]; while (j >= l+h && less(v, a[j-h])) { a[j] = a[j-h]; j -= h; } a[j] = v; }

86 2.3.3 Shellsort: Diskussion
! 2.3.3 Shellsort: Diskussion Eigenschaften Nicht Stabil Adaptiv: O(n log(n)) Zeitkomplexität, wenn die Daten stark vorsortiert sind kleiner overhead (kompakter Code) Aufwand Vergleiche = Bewegungen : min = max = average O(n1,2) für die Gonnet-Folge: Gonnet-Folge (1984) h1 =  * n, hn =  * hn-1 mit  = 0,45454 weitere Folgen (mit leicht schlechterem Aufwand): Hibbard-Folge (1969) 2i-1  1,3,7,15,31, … <= h1 mit n/4 < h1 < n/2 Knuth-Folge (1973) (3i-1)/2  1,4,13,40,121, … <= h1 mit n/4 < h1 < n/2 O(1) Platzkomplexität Der Shell Sort ist adaptiv, einfach zu implementieren und hat ein besseres Komplexitätsverhalten als O(n2). Daher wird er bei nicht zu umfangreichen Daten eingesetzt. Der Shellsort war zwischen 1959 und 1991 ein Jahr lang der schnellste bekannte Sortieralgorithmus.

87 ! Bubblesort Idee: Durchlaufe die Datei und vertausche die Elemente solange bis alle Elemente am richtigen Ort sind Dadurch „bubbeln“ kleine Elemente nach oben (links), solange bis sie auf noch kleinere stoßen, diese „bubbeln“ dann weiter. Mit jedem Durchgang wird das kleinste nach oben „gebubbeld“, gleichzeitig werden dabei auch noch andere kleine „mitgerissen“ Beispiel: // stoppt bei Gleichheit

88 2.3.4 Bubblesort: Implementierung
// sort array “ITEM[]” between indexes l and r static void bubble(ITEM[] a, int l, int r) { for (int i = l; i < r; i++) for (int j = r; j > i; j--) compExch(a, j-1, j); } // stoppt bei Gleichheit // ab hier kein Bubbeln mehr -> stoppen

89 2.3.4 Bubblesort: Diskussion
! 2.3.4 Bubblesort: Diskussion Der Bubblesort ist zwar sehr einfach zu implementieren und stabil, ist aber i.A. langsamer als Selection- und Insertion-Sort (und daher diesen nicht vorzuziehen) Aufwand: Vergleiche : min: O(n), max: O(n2), average O(n2) Bewegungen: min: O(n), max: O(n2), average O(n2) Platzkomplexität: O(1) Der Bubblesort ist sehr ähnlich der Variante 1 des Insertion Sort. Dort wird in der inneren Schleife allerdings der sortierte linke Teil durchlaufen, beim Bubblesort der unsortierte rechte. Der Bubblesort lässt sich noch etwas optimieren, indem die äußere Schleife abgebrochen wird, sobald in der inneren keine Vertauschung mehr stattfindet , denn dann ist die Folge bereits sortiert. Dadurch wird er aber auch nicht weniger aufwändig als Selection- oder Insertionsort.

90 2.3.5 Indexsort (Schlüsselindizierendes Sortieren)
! 2.3.5 Indexsort (Schlüsselindizierendes Sortieren) Idee: Gibt es für die N zu sortierenden Elemente eine Hashfunktion, die auf c*N Werte abbildet und die Ordnungsrelation einhält, so kann man innerhalb eines c*N großen arrays die Elemente direkt sortiert ablegen. Dabei wird für jeden unterschiedlichen Hashwert ein Block in der Liste belegt – die Werte in den Blöcken sind also gleich, die Blöcke untereinander sind sortiert. Beispiel: (Index) … „Anzahlliste“ #0=6, #1=4, #2=2, #3=3, „Anzahlsummenliste“ #<0=0, #<1=6 #<2=10, #<3=12

91 2.3.5 Indexsort: Implementierung
// sort array “a[]” between indexes l and r // assuming: hash-function h is identical function, i.e. h(x)=x // M: max. number of different keys static void distCount(int a[], int l, int r) { int i // run-variables int cnt[] = new int[M]; // Anzahlliste/Anzahlsummenliste int b[] = new int[a.length]; // help-list for copying // initialize „Anzahlliste“ for (i = 0; i < M; i++) cnt[i] = 0; // compute values of „Anzahlliste“, iterate from l to r for (i = l; i <= r; i++) cnt[a[i]+1]++; // a[i] starts // compute values of „Anzahlliste“ by summing up previous elements for (i = 1; i < M; i++) cnt[i] += cnt[i-1]; // move numbers to block (and increment within block) for (i = l; i <= r; i++) b[cnt[a[i]]++] = a[i]; // copy helplist b[] back to original list a[] for (i = l; i <= r; i++) a[i] = b[i-l]; }

92 2.3.3 Indexsort: Diskussion
! 2.3.3 Indexsort: Diskussion Eigenschaften Stabil Nicht Adaptiv (ist aber egal, da der Aufwand eh‘ klein genug ist) Nicht „In-situ“: Indexsort benötigt eine Hilfsliste, „In-situ“-Variante ist nicht stabil Aufwand Vergleiche = Bewegungen : min = max = average O(n) O(n) Platzkomplexität (für Hilfsliste) Der Indexsort ist der schnellste Sortieralgorithmus. Der Indexsort nur auf solche Daten anwendbar, bei denen der Bereich unterscheidbarer Schlüsselwerte innerhalb eines konstanten Faktors der Datengröße bleibt Ist die Hashfunktion nichttrivial, so wird der Vorteil des Verfahrens durch einen hohen konstanten Multiplikationsfaktor im Aufwand, selbst für große n, aufgefressen. Bei großen n ist die Platzkomplexität ein Problem.

93 ! 2.3.5 Vergleich Selection Insertion Shell Bubble Indexsort
min O(n2) O(n) O(n1,2) O(n) O(n) average O(n2) O(n2) O(n1,2) O(n2) O(n) max O(n2) O(n2) O(n1,2) O(n2) O(n) Adaptiv nein ja ja ja nein Platz (In-situ) O(1) O(1) O(1) O(1) O(n) Stabil nein ja nein ja ja Schnellster Algorithmus ist der Indexsort – der braucht aber eine effiziente Hashfunktion und ist zudem nicht In-situ. Der Shellsort ist ein schneller „universeller“ in-situ Algorithmus, allerdings nicht stabil. Bubble und Insertion-Sort sind sehr vergleichbar – meist ist der Insertion Sort schneller. Der Selection Sort ist der schlechteste Algorithmus, allerdings benötigt er nur O(n) Umordnungen – kommt also bei teuren Umordnungsaktionen in Betracht. Der Indexsort ist der schnellste Algorithmus, hat aber einen sehr schlechten Platzbedarf und benötigt eine gute Hashfunktion, die selten verfügbar ist.

94 Übung 2.3: Implementieren Sie einen einfachen Sortieralgorithmus
verwenden Sie dabei Java-arrays aus java.util.array – aber zunächst nicht deren sort-methode hash(IhrNachname) = Summe(Ascii(Buchstaben)) mod 5 hash(IhrNachname) = 0  Selection, 1 Insertion, 2Shell, 3Bubbke, 4Index Generieren Sie zu sortierende Daten: zufällig, sortiert, umgekehrt sortiert Bestimmen Sie für diese Daten jeweils: (Stellen Sie das Ergebnis in einer Excel-Graphik dar) Anzahl der Vergleiche Inkrementieren Sie dazu eine globale Variable V Anzahl der Zuweisungen Inkrementieren Sie dazu eine globale Variable Z Laufzeit entfernen Sie vorher die Inkrementierungen von V und Z Vergleichen Sie Ihre Laufzeiten mit der array.sort –Methode aus java.util.array (Erweitern Sie dazu Ihre Excel-Graphik) In welchen Situationen bzw. für welche Daten würden Sie Ihre Algorithmen verwenden ?

95 2.4. Fortgeschrittene Sortieralgorithmen

96 2.4.1 Heapsort: Der König der in-situ Algorithmen
! 2.4.1 Heapsort: Der König der in-situ Algorithmen Idee (erster Ansatz): Beim Heapsort werden Elemente so in eine Struktur eingehängt, dass sie schnell und in sortierter Reihenfolge ausgelesen werden können. Damit das effizient funktioniert wird beim Einfügen die „Heap-Eigenschaft“ eingehalten, das bedeutet, dass die Daten „logisch“ wie ein binärer Baum strukturiert sind (aber als z.B. Liste) , wobei kein Nachfolgeknoten kleiner als sein Vorgängerknoten ist . Damit befindet sich in der Wurzel das kleinste Element. Diese Liste nennt man dann Prioritätswarteschlange (Priority-Queue) Beispiel für eine Priority Queue für : (Index) Priority Queue (Heap) (not neccessarily completely sorted)

97 2.4.1 Heapsort: Implementierung einer PQ
Dieser Prototyp implementiert einige grundlegende Teile eines abstrakten Datentyps „Priority queue“. Insbesondere wir bei „Insert“ das neue Element als Blatt ganz unten (= ganz hinten) an den Heap angefügt. Danach muss „nur noch“ die Heap-Eigenschaft sichergestellt werden. class PQ { static boolean less(ITEM v, ITEM w) { return v.less(w); } static void exch(ITEM[] a, int i, int j) { ITEM t=a[i]; a[i]=a[j]; a[j]=t; } private ITEM[] pq; // array holding priority queue private int N; // counter, how many elements are in queue PQ(int maxN) { pq = new ITEM[maxN]; N = 0; } // constructor boolean empty() { return N == 0; } // is queue empty // insert at end of array void insert(ITEM item) { pq[N++] = item; // add element as last element, increase counter ... // heap-property has to be ensured here ! } // get minimal element from head ITEM getmin() { ... // heap-property has to be ensured here ! return pq[1]; // returm minimal element, which is lovated at head } };

98 2.4.1 Heapsort: Einhaltung der Heap-Eigenschaft
Bottom-Up Verfahren: Bei diesem Verfahren wird ein Element (auf Position k) solange mit seinem übergeordneten Element (auf Position k/2) vertauscht, bis dieses kleiner ist private void swim(int k) { while (k > 1 && less(k, k/2)) { exch(k, k/2); k = k/2; } } Top-Down Verfahren: Bei diesem Verfahren wird ein Element (auf Position k) solange mit dem kleineren seiner beiden untergeordneten Element e (auf den Position 2k und 2k+1) vertauscht, bis diese beide nicht mehr kleiner sind private void sink(int k, int N) { while (2*k <= N) { int j = 2*k; if (j < N && less(j, j+1)) j++; if (!less(k, j)) break; exch(k, j); k = j; }

99 2.4.1 Heapsort: Ein- und Ausfügen
Mit swim und sink können jetzt die einfügen und ausfüge-Operationen (des Minimums) implemementiert werden: class PQ { ... void insert(ITEM v) { pq[++N] = v; // new element is added at end of list ... swim(N); // and swims to top until smaller element is found } ITEM getmin() { exch(1, N); // biggest is swapped to top by swapping with smallest sink(1, N-1); // this big element on top sinks until it reaches a bigger return pq[N--]; // return the smallest element, which has been swapped to // end of list };

100 2.4.1 Heapsort: alternatives „heapify“
! 2.4.1 Heapsort: alternatives „heapify“ Statt den Heap über aufeinanderfolgende Einfügungen aufzubauen ist es effizienter, den Heap zu erstellen, indem man ihn rückwärts durchläuft und dabei kleine Teil-Heaps von der untersten Ebene nach oben hin aufbaut. Dabei kann man Element der untersten Ebene ignorieren Beispiel : (Index) |

101 2.4.1 Heapsort: Implementierung
Sortieren kann man nun durch heapify der Liste und anschließendes sequenzielles Ausfügen., wobei das Ausfügen durch Tausch an das Ende der Liste (also In-situ) erfolgt. private void sink(int k, int N) { while (2*k <= N) { int j = 2*k; if (j < N && less(j, j+1)) j++; if (!less(k, j)) break; exch(k, j); k = j; } // heapify the list, starting from N/2 with N=2x with N >= length(list) for (int k = N/2; k >= 1; k--) sink(k, N); // iterate through heap – sorting biggest element first, smallest last while (N > 1) { exch(1, N); // exchange big with smallest (which is at top) sink(1, --N); // decrease size and heapify heap with big element at top

102 ! 2.4.1 Heapsort: Diskussion Eigenschaften Aufwand
Nicht Stabil Nicht (wirklich) Adaptiv Aufwand Vergleiche = Bewegungen : min = max = average O(n log n) (genauer: < 2n ld n) O(1) Platzkomplexität (In-situ) Der Heapsort ist gut geeignet die k-kleinsten Elemente zu finden, denn dann kann man die Ausleseschleife nach k bereits verlassen. Der Heapsort ist im Mittel der schnellste bekannte in-situ Algorithmus

103 2.4.2 Mergesort: Der König der stabilen Sortieralgorithmen
! 2.4.2 Mergesort: Der König der stabilen Sortieralgorithmen Idee: Die Mergesort-Verfahren sortieren (mischen) bereits sortierte Teildatenmengen (beginnend mit ein-elementigen Mengen) zusammen zu immer größeren Datenmengen. Dabei werden die zu sortierenden Mengen rekursiv geteilt und nach erfolgter Sortierung der Teilmengen zu Größeren sortiert zusammengemischt . Beispiel: // sorting 1-element lists // sorting 1-element lists // merging 2-element lists // sorting 1-element lists // sorting 1-element lists // merging 2-element lists // merging 4-element lists // sorting 1-element lists // sorting 1-element lists // merging 2-element lists // final merging

104 2.4.2 Mergesort: Mischen (Version 1)
! 2.4.2 Mergesort: Mischen (Version 1) Idee: vergleiche paarweise die (sortierten) Listen a und b und kopiere den jeweils kleinsten Wert nach c. Falls eine Liste (a oder b) abgearbeitet ist, können die noch verbleibenden Elemente der anderen Liste uinbesehen ans Ende von c kopiert werden // merge array a[] (from indexes al to ar) and b[] (from index bl to br) into // array c[] (starting from index cl) static void mergeAB(ITEM[] c, int cl, ITEM[] a, int al, int ar, ITEM[] b, int bl, int br ) { int i = al, j = bl; for (int k = cl; k < cl + ar-al + br-bl + 1; k++) { // copy all element of b into c, if a has been finished if (i > ar) { c[k] = b[j++]; continue; } // index i larger a’s right index // copy all element of a into c, if b has been finished if (j > br) { c[k] = a[i++]; continue; } // index j larger b’s right index // move bigger element of a or b into c and increment correspondent index c[k] = less(a[i], b[j]) ? a[i++] : b[j++]; }

105 2.4.2 Mergesort: Mischen (Version 2)
! 2.4.2 Mergesort: Mischen (Version 2) Idee: Die Vergleiche der ersten Version, ob a bzw. b schon abgearbeitet ist sind aufwändig. Das kann man vermeiden indem man b in umgekehrter Reihenfolge an a angehängt und dann jeweils das erste mit dem letzten Element vergleicht, Beispiel: Mische in 2 5 7: invertiere und hänge es an > > > > 7 5 -> // merge two blocks (l to m and m to r) of array a into array aux static void merge(ITEM[] a, int l, int m, int r) { int i, j; // copy first block (l to m) to aux for (i = m+1; i > l; i--) aux[i-1] = a[i-1]; // i at beginning // reverse copy second block (m to r) to aux for (j = m; j < r; j++) aux[r+m-j] = a[j+1]; // j at end // iterate through elements and compare pairwise first and last element for (int k = l; k <= r; k++) { // copy smallest element to aux if (less(aux[j], aux[i])) a[k] = aux[j--]; else a[k] = aux[i++]; } }

106 2.4.2 Mergesort: Mischen (Version 3: linked list)
Der Mergesort eignet sich hervorragend für das Sortieren verketteter Listen. Diese können wie folgt gemischt werden: // merge two blocks referenced by a and b, return link to sorted list static Node merge(Node a, Node b) { Node dummy = new Node(); Node head = dummy, // head is link to head of list, which is a dummy element Node c = head; // c is a running pointer, initialized to head // iterate through both lists until one of them is empty while ((a != null) && (b != null)) { // link c.next to minimim (a or b), link c to this element (end of list), // increase pointer in list where miniumum has been taken from if (less(a.item, b.item)) { c.next = a; c = a; a = a.next; } else { c.next = b; c = b; b = b.next; } } // add rest of list that is not empty to result c.next = (a == null) ? b : a; // do not return 1st dummy element but 1st content element return head.next;

107 2.4.2 Mergesort: Top-Down Sortieren (Rekursiv)
Idee des Top Down Sortierens (Wie eingangs beschrieben) Der Algorithmus zerlegt die zu sortierende Datenmenge in zwei Teile und sortiert diese durch rekursive Aufrufe unabhängig voneinander. Die Ergebnisse werden dann zusammengemischt // sort a from index l to r static void mergesort(ITEM[] a, int l, int r) { // stop rekursion if only one element is to be considered if (r <= l) return; // split list in two int m = (r+l)/2; // recursively call mergesort for first half mergesort(a, l, m); // recursively call mergesort for second half mergesort(a, m+1, r); // merge the two halfs into one sorted list (by which merge ever) merge(a, l, m, r); }

108 2.4.2 Mergesort: Bottom-Up Sortieren (nicht rekursiv)
Idee des Bottom-Up Sortierens : Der Algorithmus führt berechnet zunächst alle Sortierungen/Mischungen kleiner Datenmengen durch, danach werden die Datenmengen verdoppelt, bis die Gesamtliste sortiert ist. Das ganz funktioniert iterativ: Beispiel: // sorting 1-element lists // sorting 1-element lists // sorting 1-element lists // sorting 1-element lists // sorting 1-element lists // sorting 1-element lists // merging 2-element lists // merging 2-element lists // merging 2-element lists // merging 4-element lists // final merging

109 2.4.2 Mergesort: Bottom-Up Sortieren (nicht rekursiv)
// procedure to get minimal element of A and B static int min(int A, int B) { return (A < B) ? A : B; } // sort a from index l to r static void mergesort(ITEM[] a, int l, int r) { // need not sort if list is empty if (r <= l) return; // global auxiliary list needed for merging in “merge” aux = new ITEM[a.length]; // iterate through list by blocks that are doubled each time for (int m = 1; m <= r-l; m = m+m) // iterate through each block for (int i = l; i <= r-m; i += m+m) // merge left half of block with right half merge(a, i, i+m-1, min(i+m+m-1, r)); // do not use i+m+m-1 if r is smaller // important if r-l <> 2x }

110 2.4.2 Mergesort: Top-Down Sortieren (linked list)
// sorts linked list referenced by c static Node mergesort(Node c) { // need not sort empty list if (c == null || c.next == null) return c; Node a = c; // a is link to 1st element Node b = c.next; // b is link to 2nd element // iterate through list until b is at the end (and c in the middle) while ((b != null) && (b.next != null)) { c = c.next; // “increase” c by one b = (b.next).next; // “increase” b by two } // c point to the element in the middle // a still point to 1st element b = c.next; // b points to the element right from the middle (c) c.next = null; // cut of list, right from element in the middle (c) // recursively call mergesort for a and b and merge it return merge(mergesort(a), mergesort(b)); }

111 2.4.2 Mergesort: Diskussion
! 2.4.2 Mergesort: Diskussion Eigenschaften Stabil (wenn „merge“ stabil) Nicht Adaptiv kleiner overhead (kompakter Code) Aufwand Vergleiche = Bewegungen : min = max = average O(n log n) O(n) Platzkomplexität (aux-Liste oder Links der verketteten Liste) Der Mergesort ist stabil, hat ein besseres Komplexitätsverhalten als O(n2). und garantiert auch im schlechtesten Fall eine Zeitkomplexität von O(n log n). wegen dieser Garantie wird der Mergesort in vielen Bibliotheken verwendet. Auch Java.util.array verwendet für sort auf object den Mergesort (für andere Typen, z.B. int wird ein – wahrscheinlich – 3-Wege-Quicksort verwendet). Dabei garantiert die Java Runtime Environment nicht den verwendeten Algorithmus, sondern nur die Stabilität des Sortieralgorithmus‘. Die Entscheidung zwischen Merge- und Heapsort ist eine Entscheidung zwischen einem stabilen nicht-In-situ (Mergesort) und einem nicht-stabilen In-situ-Algorithmus.

112 2.4.2 Mergesort: Verbesserungen
! 2.4.2 Mergesort: Verbesserungen Beschränkt man die Rekursionstiefe, so dass dieser nicht bei ein-elementigen Mengen stoppt, sondern bereits bei mehr-elementigen, so sind die resultierenden Mengen nicht vollständig sortiert, sondern nur vorsortiert. Auf dieses Resultat kann man nun den Insertion-Sort anwenden, der für diese Fälle ein sehr gutes Laufzeitverhalten O(n) hat. Dadurch erspart man sich die sehr häufig durchlaufenen „kleinen“ Fälle. Dieses Verfahren führt zu einer Leistungssteigerung um 10-15% Beim Mergen wird immer wieder in eine Hilfsliste (aux) umkopiert. Das kann man bei mehrmaligem Aufruf (z.B. in der Rekursion) dadurch vermeiden, dass man die Rolle der Hilfsliste und der zu mischenden Teillisten jeweils vertauscht Damit gewinnt man nochmals ca. 40% Auch der Mergesort für verkettete Listen lässt sich in einer Bottom-Up Strategie realisieren. Dazu kann man z.B. Warteschlangen zur Zwischenspeicherung der immer größer werdenden Teillisten verwenden. Diese Realisierung eignet sich, um bereits vorsortierte Datenmengen zu sortieren. ( Sedgewick, Kapitel 8.7)

113 2.4.3 Quicksort: Der König der Sortieralgorithmen
! 2.4.3 Quicksort: Der König der Sortieralgorithmen 1960 wurde von C.A.R. Hoare de bis heute verbreitetste Sortieralgorithmus entwickelt. Idee: Beim Quicksort wird eine Liste rekursiv in zwei Teile geteilt und diese dann sortiert. Das Teilen der Liste erfolgt dabei so, dass alle Element im ersten Teil kleiner oder gleich sind als alle Elemente im zweiten Teil. Dafür müssen zu große Elemente des ersten Teils mit zu kleinen Element en des zweitenTeils vertauscht werden. Als Maßstab für „zu groß“ bzw. „zu klein“ gilt dabei ein zufälliges Element a[i]. Es gilt also: Das Element a[i] befindet sich an seiner endgültigen Position Keines der Elemente a[l] .. a[i-1] ist größer als a[i] Keines der Elemente a[i+1] .. a[r] ist kleiner als a[i] Beispiel :

114 2.4.3 Quicksort: Implementierung der Hauptmethode
Das Vorgehen beim Quicksort ist, in gewissem Sinne, das genaue Gegenteil des Vorgehens beim Mergesort. Beim Mergesort teilt der „Boss“ die Liste unbesehen in zwei Teile und lässt dann seine „untergebenen“ arbeiten. Erst wenn das Ergebniss vorliegt mischt er die sortierten Teile zusammen. Das ist „Lazy“. Bei Quicksort sortiert der „Boss“ die Liste schon etwas vor, in dem Sinne dass er zwei Teillisten erstellt, mit jeweils den kleinsten bzw. größten Elementen. Diese Teillsiten, die aber noch unsortiert sind, reicht er an seine „Untergebenen“ weiter.Damit ist seine Aufgabe erledigt. Das ist „Eager“ Sobald das rekursiv vollständig durchlaufen ist, liegt das Ergebnis vor. Das ist „eager“ static void quicksort(ITEM[] a, int l, int r) { if (r <= l) return; // recursion stops if there is one or no element to sort int i = partition(a, l, r); // r > l => at least two elements => divide quicksort(a, l, i-1); // sort left part quicksort(a, i+1, r); // sort right part }

115 2.4.3 Quicksort: Partitionierung
! 2.4.3 Quicksort: Partitionierung Wir wählen mit v ein beliebiges Trennelement (Pivot-Element) . Also z.B. das Element ganz rechts Wir suchen dann von links ein Element das größer als das Trennelement und von rechts ein Element das kleiner als das Trennelement ist. Diese beiden Elemente sind offenbar falsch und werden durch Tauschen korrigiert. Wir wiederholen das Ganze bis sich der linke und der rechte Laufindex kreuzen. Dann muss nur noch das Pivot-Element mit dem linkesten Element des rechten Teils getauscht werden. Damit ist das Pivot-Element am richtigen Platz V l r kleiner oder gleich v größer oder gleich v V l i j r kleiner oder gleich v größer oder gleich v V l j i r kleiner oder gleich v größer oder gleich v V l j i r

116 2.4.3 Quicksort: Implementierung der Partitionierung
kleiner oder gleich v größer oder gleich v V l i j r static int partition(ITEM a[], int l, int r) { int i = l-1, j = r; // set left index I and right index r ITEM v = a[r]; // set pivot-element v = a[r] as Sortmarker for (;;) { // endless loop, left by second break // iterate from left through all elements a[i] smaller than v while (less(a[++i], v)) ; // initially starting at l-1, so increase first // need not explicitely stop at I=r since a[i=r] is not less a[r] // iterate from right through all elements a[j] bigger than v while (less(v, a[--j])) // initially starting at r, so decrease first if (j == l) break; // avoid leaving intervalstop j-iteration at left end // stop endless loop if left iterator I reaches right iterator j if (i >= j) break; // second break, I and j crosses // a[i] reached a value larger than v and a[j] smaller than v exch(a, i, j); // swap a[i] and a[j] } exch(a, i, r); // swap pivot-element a[r] with a[i] return i;

117 2.4.3 Quicksort: Non-Sedgewick Implementierung ;-)
for (;;) { // endless loop, left by second break while (less(a[++i], v)) ; while (less(v, a[--j])) if (j == l) break; if (i >= j) break; exch(a, i, j); } => while ( i < j ) { while (less(v, a[--j]) && j>l); if (i < j) exch(a, i, j);

118 2.4.3 Quicksort: Pathologische Fälle
! 2.4.3 Quicksort: Pathologische Fälle Liste ist sortiert , v=a[r] ist das größte Element: i läuft in while Schleife bis r = j dann wird j dekrementiert j ist dann <= i, die Endlosschleife wird verlassen abschließend wird a[i] mit a[r] getauscht, da i=r bleibt das größte Element wo es war Pivot-Element v=a[r] ist das kleinstes Element: i wird initial inkrementiert dann läuft j bis j=i, die j-Schleife wird durch break bei j=l verlassen abschließend wird a[i]=a[l] mit a[r] getauscht: alle Schlüssel sind gleich: i und j laufen jeweils um nur eines nach innen, denn „less“ ist jeweils nicht erfüllt dann werden jeweils a[i] und a[j] ausgetauscht und nochmals a[i] und a[r]=v abschließend sind i und j gleich, die Endlosschleife wird verlassen und a[r]=v wird schließlich noch einmal mit a[i] getauscht És werden gleiche Elemente getauscht und der Quicksort ist nicht stabil

119 2.4.3 Quicksort: Zwischendiskussion
! 2.4.3 Quicksort: Zwischendiskussion Bei unserer der Implementierung werden selbst gleiche Schlüssel getauscht. Grund dafür ist das stoppen der While-Schleifen für beide Indizes (i,j) bei Gleichheit. Interessanterweise ist dieses Verhalten besser als die Alternativen, einen Index weiterlaufen zu lassen oder sogar beide Indizes weiterlaufen zu lassen. Der grund liegt in einer statistisch ausgewogeneren Teilung der Liste insb. bei vielen doppelten Schlüsseln. Die Wahl von a[r] als zufälligen Wert führt nur bei einer völlig zufälligern Wertverteilung zu guten Teilungen. Betrachten Sie den pathologischen Fall 1. Dort läuft i immer bis rechts, so dass die linke Teilliste bis zum vorletzten Element reicht. Damit ergibt sich ein Gesamt-aufwand zu: n + (n-1) + (n-2) + … + 1 = (n*(n-1))/2 = O(n2) Dabei beträgt die Stackgröße maximal n Also sollte man dem Zufall auf die Sprünge helfen z.B.: v = a[l+r]/2 v = (a[l]+a[r])/2, v = median (a[l],a[r],a[l+r]/2) Wie beim Merge- und Heapsort, so ist auch beim Quicksort eine gewisse Optimierung durch die Verwendung des Insertion-Sorts für kleine Teildateien machbar („CutOff“-Verfahren).

120 2.4.3 Quicksort: Nichtrekursive Implementierung
Wir haben gesehen: im sortierten Fall kann der Stack linear mit n wachsen. Das kann bestimmten Laufzeitsystemen zum Problem werden (-> stack overflow). Daher kann man den Quicksort (natürlich) auch nichtrekursiv implementieren und damit den benötigten Platz aus dem Stack in den Speicher verlagern: Zus#tzlich wird jeweils der kleinere Teil zuerst abgearbeitet. Die Stackgröße bleibt dadurch auf O(log n) beschränkt. static void quicksort(ITEM[] a, int l, int r) { intStack S = new intStack(50); // get stack as array S.push(l); S.push(r); // push initial margins on stack while (!S.empty()) { r = S.pop(); l = S.pop(); // get left and right margin from stack if (r <= l) continue; // leave loop if list is empty int i = partition(a, l, r); // partitinate list // push bigger partial list first on stack, so it is treated after // smaller part -> stack size is restricted to log n if (i-l > r-i) { S.push(l); S.push(i-1); } // left part bigger S.push(i+1); S.push(r); // right part if (i-l <= r-i) { S.push(l); S.push(i-1); } // left part smaller }

121 2.4.3 Quicksort: Median – Beispiel
! 2.4.3 Quicksort: Median – Beispiel Um den „entarteten“ Fall einer sortierten Eingabeliste zu umgehen, wird oft der Median aus drei Elementen als Trennelement verwendet. Zur Ermittlung des Median müssen diese drei Element sortiert werden. Ordnet man diese drei Element nun so an, dass das kleinere ganz links in der zu sortierenden Liste, also bei a[l] steht der Median an a[r-1] steht der größere ganz rechts, also bei a[r] steht. so braucht man bei der anschließenden Partitionierung das kleinere und größere Element nicht mehr zu betrachten l l-r/2 r-1 r exch(a, (l+r)/2, r-1); l l-r/2 r-1 r compExch(a, l, r-1); l l-r/2 r-1 r compExch(a, l, r); l l-r/2 r-1 r compExch(a, r-1, r); l l-r/2 r-1 r partition(a, l+1, r-1) l+1 r

122 2.4.3 Quicksort: Median-von-drei Quicksort
Der Median-von-drei Quicksort einen Median, wie es oben beschrieben wurde und zusätzlich noch einen „CutOff“ private final static int M = 10; // size of lists that are insertion-sorted static void quicksort(ITEM[] a, int l, int r) { if (r-l <= M) return; // do not consider unsorted lists smaller than M // moves element from the middle to r-1 and sorts l, r-1, r exch(a, (l+r)/2, r-1); compExch(a, l, r-1); compExch(a, l, r); compExch(a, r-1, r); // a[l] is already smaller, a[r] already larger than a[r-1] -> l,r need not // be considered in partitioning int i = partition(a, l+1, r-1); // recursively call quicksort quicksort(a, l, i-1); quicksort(a, i+1, r); } static void hybridsort(ITEM a[], int l, int r) { quicksort(a, l, r); insertion(a, l, r); }

123 2.4.3 Quicksort: 3-Wege Partitionierung
! 2.4.3 Quicksort: 3-Wege Partitionierung Wenn Sie sich bei „sorting-algorithms.com“ die Laufzeiten für „wenige unterschiedliche Keys (Few unique) anschauen erkennen Sie, dass der normale (2-Wege-Partitionierungs-) Quicksort Laufzeitprobleme bei diesen Eingabewerten hat. Auch unser „Pathologischer Fall Nr.3“ zeigt, dass selbst eine Liste mit einem Key noch sortiert werden. Idee: Wenn v das Trennelement ist, so zerlege die Liste in drei Teile, den linken Teil mit Schlüsseln kleiner als v, den mittleren Teil mit Schlüsseln gleich v und den rechten Teil mit Schlüsseln größer v (klassisches Programmieraufgabe von Dijkstra, bekannt als das „Problem der Holländischen Nationalflagge“ ) Danach muss der mittlere Teil nicht mehr sortiert werden. 1993 wurde eine verfeinerte Methode entwickelt. Dabei werden die gleichen Schlüssel zunächst an den äußeren Teilen links bzw. rechts angeordnet und in einem zweiten Durchlauf erst dazwischen eingefügt. gleich v kleiner v größer v gleichv V l p i j q r

124 2.4.3 Quicksort: Quick-3 Implementierung
static void quicksort(ITEM a[], int l, int r) { if (r <= l) return; // r<=1 , i.e. without „CutOff“ ITEM v = a[r]; // „Simple“ Sorting element, i.e. without median int i = l-1, j = r, p = l-1, q = r, k; // p,q index of equal elements for (;;) { // skip smaller elements ltr, resp. larger elements rtl while (less(a[++i], v)) ; while (less(v, a[--j])) if (j == l) break; if (i >= j) break; // stop endless loop if index i,j meet or cross exch(a, i, j); // swap a[i] and a[j] // new: if equal increase/decrease markers p/q and move elements to edges if (equal(a[i], v)) { p++; exch(a, p, i); } // if equal, increase p if (equal(v, a[j])) { q--; exch(a, q, j); } } // move sorting element to right place and reposition i and j exch(a, i, r); j = i-1; i = i+1; // new: move equal elements from edges to middle for (k = l ; k <= p; k++,j--) exch(a, k, j); for (k = r-1; k >= q; k--,i++) exch(a, k, i); // recursively call quicksort quicksort(a, l, j); quicksort(a, i, r);

125 2.4.3 Quicksort: Quick-3 Beispiel (1. Rekursion)
i=p j=q > i j <- // a[i] !< v, a[j] !> v --> swap p q <- // a[q] = v --> swap (although j=q) -> i j <---- // a[i] !< v, a[j] !> v --> swap > p q // a[p] = v --> swap a[p] with a[i] > i j <- // a[i] !< v, a[j] !> v --> swap p q <- // a[q] = v --> swap a[q] with a[j] > i j < // swap a[r] with a[i] k=p j i q // swap a[k] with a[j] (k) j i q k // swap a[k] with a[i] j i q,k // swap a[k] with a[i] l j i r // recursively call quicksort[l.j]/[i,r] smaller to left, larger to right, equals to edges sorting-element to middle equals at left edge to middle equals at right edge to middle

126 2.4.3 Quicksort: Diskussion
! 2.4.3 Quicksort: Diskussion Eigenschaften Nicht Stabil Quick-3: Adaptiv (falls Anzahl gleicher Schlüssel konstant) Aufwand min: O(n) bei 3-Quick mit konstanter Anzahl von Schlüsseln, sonst O (n log n) average: O(n log n) max: O(n2) O(log n) Platzkomplexität: nicht in-situ, aber ziemlich gut Der Quicksort ist ein idealer Allrounder: obwohl er nicht in-situ ist, eignet er sich auch für eingebettete Systeme, denn der Platzverbrauch von O(log n) ist meist auch dafür o.k. obwohl er nicht stabil ist, so gibt es doch viele Anwendungsfälle, bei denen es nicht darauf ankommt, z.B. wenn die zu sortierenden Datentypen einfach sind. obwohl der maximale Aufwand quadratisch ist, so ist dieser Fall, insb. bei Verwendung eines Median-Verfahrens sehr unwahrscheinlich. … und da der Quicksort im Mittel signifikant schneller als der Heap- und der Mergesort ist, gilt er zurecht als der „König der Sortieralgorithmen“ ;-) mit Quick-3 Implementierung für Daten mit vielfachen Schlüsseln mit Median-von-drei und „Cut-Off“ für einfache Schlüssel.

127 ! 2.4.4 Vergleich Heap Merge Quick Quick-3
min O(n log n) O(n log n) O(n log n) O(n) average O(n log n) O(n log n) O(n log n) O(n log n) max O(n log n) O(n log n) O(n2) O(n2) Adaptiv nein nein nein ja Platz (In-situ) O(1) O(n) O(log(n)) O(log(n)) Stabil nein ja nein nein Der Heapsort ist in-Situ aber instabil und langsamer als der Quicksort, garantiert aber ein maximales Laufzeitverhalten O (n log n) Der Mergesort ist stabil aber nicht In-situ und ebenfalls langsamer als der Quicksort, garantiert aber ebenfalls ein maximales Laufzeitverhalten O (n log n) Schnellster Algorithmus ist der Quicksort, der hat aber ein (sehr unwahrscheinliches aber) garstiges maximales Laufzeitverhalten. In java.util.array werden sowohl der Mergesort (für object) als auch der Quicksort (für alle anderen Typen) verwendet. Komplexe Objekte haben oft gleiche Schlüssel  Stabilität nötig

128 Übung 2.4: Implementieren Sie einen fortgeschrittenen Sortieralgorithmus verwenden Sie dabei Java-arrays aus java.util.array – aber zunächst nicht deren sort-methode hash(IhrNachname) = Summe(Ascii(Buchstaben)) mod 3 hash(IhrNachname) = 0  Mergesort, 1 Heapsort, 2Quicksort Generieren Sie zu sortierende Daten: zufällig, sortiert, umgekehrt sortiert Bestimmen für diese Daten jeweils: (Stellen Sie das Ergebnis in einer Excel-Graphik dar) Anzahl der Vergleiche Inkrementieren Sie dazu eine globale Variable V Anzahl der Zuweisungen Inkrementieren Sie dazu eine globale Variable Z Laufzeit entfernen Sie vorher die Inkrementierungen von V und Z Vergleichen Sie Ihre Laufzeiten mit der array.sort –Methode aus java.util.array (Erweitern Sie dazu Ihre Excel-Graphik) In welchen Situationen bzw. für welche Daten würden Sie Ihren Algorithmus verwenden ?

129 2.5 Zusammenfassung Wir haben in diesem Kapitel einige Sortieralgorithmen kennengelernt. Dabei gibt es für fast jeden Algorithmus Situationen in denen genau dieser Algorithmus vorteilhafter als alle anderen sind. Jeder Algorithmus hat eine grundsätzliche Idee und die meisten Algorithmen können auf verschiedene Arten verbessert werden. Insbesondere lassen sich Sortieralgorithmen auch miteinander kombinieren. Da es DEN Sortieralgorithmus offenbar nicht gibt, ist die Verwendung eines „vorgefertigten“ Algorithmuse‘ in einer Bibliothek (z.B. dem aus java.util) mit Vorsicht zu genießen. Er passt zwar in den allermeisten Fällen sehr gut, aber eben nicht in allen. In manchen Fällen führt er sogar zu Verletzungen harter Rahmenbedingungen. Elementarer Algorithmen Fortgeschrittener Algorithmen Vergleich aller Sortieralgorithmen

130 2.5.1 Elementare Algorithmen
! 2.5.1 Elementare Algorithmen Selection Sort wird (trotz schlechten Aufwandes) eingesetzt für das Sortieren von Daten mit großen Elementen mit jeweils kleinen Schlüsseln: … bei diesen Daten sind die Kosten für den Vergleich sehr viel kleiner als die Kosten für die Umordnung. Der Aufwand für die Umordnungen ist beim Selection sort mit O(n) kleiner als in den meisten anderen Verfahren. Der Insertion Sort wird eingesetzt, wenn es auf einen stabilen Algorithmus ankommt … … und die Daten stark vorsortiert sind (da er adaptiv ist) … oder die Problemgröße klein ist (da er kompakt ist, also wenig „Overhead“ hat) … und für den „Cut-Off“-Teil eines fortgeschrittenen Sortieralgorithmuses Der Shell Sort ist adaptiv, einfach zu implementieren und hat ein besseres Komplexitätsverhalten als O(n2). Daher wird er bei nicht zu umfangreichen Daten eingesetzt. Der Bubblesort ist eigentlich nie zu empfehlen Der Indexsort ist der schnellste Sortieralgorithmus. … aber nur auf solche Daten anwendbar, bei denen der Bereich unterscheidbarer Schlüsselwerte innerhalb eines konstanten Faktors der Datengröße bleibt . Ist die Hashfunktion nichttrivial, so wird der Vorteil des Verfahrens durch einen hohen konstanten Multiplikationsfaktor im Aufwand, selbst für große n, aufgefressen. Bei großen n ist die Platzkomplexität ein Problem.

131 2.5.2 Fortgeschrittene Algorithmen
! 2.5.2 Fortgeschrittene Algorithmen Der Heapsort ist gut geeignet die k-kleinsten Elemente zu finden, denn dann kann man die Ausleseschleife nach k bereits verlassen. Der Heapsort ist im Mittel der schnellste bekannte in-situ Algorithmus Der Mergesort ist stabil, hat ein besseres Komplexitätsverhalten als O(n2). und garantiert auch im schlechtesten Fall eine Zeitkomplexität von O(n log n). wegen dieser Garantie wird der Mergesort in vielen Bibliotheken verwendet. Auch Java.util.array verwendet für sort auf object den Mergesort (für andere Typen, z.B. int wird ein – wahrscheinlich – 3-Wege-Quicksort verwendet). Dabei garantiert die Java Runtime Environment nicht den verwendeten Algorithmus, sondern nur die Stabilität des Sortieralgorithmus‘. Die Entscheidung zwischen Merge- und Heapsort ist eine Entscheidung zwischen einem stabilen nicht-In-situ (Mergesort) und einem nicht-stabilen In-situ-Algorithmus. Der Quicksort ist ein idealer Allrounder: obwohl er nicht in-situ ist, eignet er sich auch für eingebettete Systeme, denn der Platzverbrauch von O(log n) ist meist auch dafür o.k. obwohl er nicht stabil ist, so gibt es doch viele Anwendungsfälle, bei denen es nicht darauf ankommt, z.B. wenn die zu sortierenden Datentypen einfach sind. obwohl der maximale Aufwand quadratisch ist, so ist dieser Fall, insb. bei Verwendung eines Median-Verfahrens sehr unwahrscheinlich.

132 2.5.3 Vergleich aller Sortieralgorithmen
! 2.5.3 Vergleich aller Sortieralgorithmen Select. Insert. Shell Bubble Index Heap Merge Quick Quick-3 min ■ ■ ■ ■ ■ ■ ■ ■ ■ average ■ ■ ■ ■ ■ ■ ■ ■ ■ max ■ ■ ■ ■ ■ ■ ■ ■ ■ Adaptiv ■ ■ ■ ■ ■ ■ ■ ■ ■ In-situ ■ ■ ■ ■ ■ ■ ■ ■ ■ Stabil ■ ■ ■ ■ ■ ■ ■ ■ ■ Soll man sich für einen Algorithmus entscheiden, so überprüft man zunächst die „harten“ Kriterien: In-Situ, Stabilität, akzeptabler Maximalaufwand Benötigt man In-Situ, scheiden Index- und Mergesort aus. Beim Quicksort ist zu überlegen, ob O(log n) o,k ist, was meist der Fall sein wird. Benötigt man Stabilität, scheiden Select, Shell, Heap und Quicksort aus Select, Insert und Bubble scheiden eigentlich sofort aus. Muss der schlechteste Fall garantiert zumindest gut sein, scheidet zusätzlich der Quicksort aus. Dann entscheidet die durchschnittliche Geschwindigkeit Indexsort: bei vorhandener und guter Hashfunktion Quicksort Merge- und Heapsort, Shellsort

133 Übung 2.5 Sortieren Sie die Liste in aufsteigender Reihenfolge mit dem Selection Sort (Variante 1) Insertion Sort (Variante 2) Shellsort Bubblesort Indexsort Heapsort (Vorsicht: aufsteigend !) Mergesort (Version 2) Quicksort: Quicksort: Median-von-Drei Quicksort (ohne Cutoff) Quicksort: Quick-3 mit 3-Wege Partitionierung

134 3. Suchen Sedgewick: „Das Abrufen bestimmter Informationseinheiten aus größeren vorher gespeicherten Datenbeständen ist eine fundamentale Operation, die man als Suchen bezeichnet“. ADT Symboltabelle Symboltabelle als lineare Struktur Binäre Suchbäume Randomisierte BSTs Splay BSTs Rot-Schwarz-Bäume Skiplisten Vergleich und Resumée

135 3.1 ADT Symboltabelle Ähnlich wie beim Sortieren sind die Elemente, die gesucht werden typischerweise unterstrukturiert und bestehen aus einem Schlüssel und weiteren Attributen. Gesucht wird dann nach dem Schlüssel. Die Abstrakte Datenstruktur auf der man diese (und andere) Operationen definieren kann ist eine Symboltabelle Definition Spezifikation Framework Zusammenfassung

136 3.1.1 Definition Eine Symboltabelle ist eine Datenstruktur von Elementen mit Schlüsseln, die zwei grundlegende Operationen unterstützt: insert: Einfügen eines neuen Elements search: Suchen (Zurückgeben) eines Elements mit einem gegebenen Schlüssel Symboltabellen bezeichnet man manchmal auch als Wörterbücher Neben den grundlegenden Operationen (Einfügen, Suchen) gibt es weitere sinnvolle Operationen auf einer Symboltabelle: remove: Entfernen eines gegebenen Elements select: Auswählen des k-größten Elements (bei gegebem ganzzahligen k) sort: Sortieren der Symboltabelle join: Verknüpfen zweier Symboltabellen

137 3.1.2 Spezifikation type: stable(T) // T ist die Wertemenge der Elemente import: boolean operators: empty :  stable // erzeugt leere Tabelle insert : stable x T  stable // Fügt Element in Tabelle search : stable x T  T // Sucht Element in Tabelle remove : stable x T  stable // entfernt Element aus Tabelle join : stable x stable  stable // verbindet zwei Tabellen ... is_empty : stable  boolean // ist Tabelle leer ? axions:  s : stack,  x : T remove (insert (s,x), x) = s search (insert (s,x), x) = x search ((join (insert(s1,x)),s2),x) = x search ((join (s1,insert(s2,x))),x) = x is_empty (empty) = true is_empty (insert(s,x)) = false

138 3.1.3 Framework (Element) // interface to Elements // key of the element class myKey implements KEY { public boolean less(myKey) // compare with key public boolean equals(myKey) // read key from input void read() // generate key randomly void rand() // prepare key for output public String toString() } // the element itself class myItem implements ITEM { // the key of the element public KEY key() // read element from input // generate element randomly // prepare element for output // example implementation of element class myKey implements KEY { private int val; public boolean less(KEY w) { return val < ((myKey) w).val; } public boolean equals(KEY w) { return val == ((myKey) w).val; } public void read() { val = In.getInt(); } public void rand() { val = (int) (M * Math.random()); } public String toString() { return val + ""; } } class myItem implements ITEM { private myKey val; private float info; // attribute myItem() { val = new myKey(); } public KEY key() { return val; } void read() { val.read(); info = In.getFloat(); } void rand() { val.rand(); info = (float) Math.random(); } public String toString() { return "(" + key() + " " + info + ")"; }

139 3.1.3 Framework (Symboltable)
// interface to symbol list // key of the element class ST // ADT interface { ST (int) int count() // nr. of elements void insert(ITEM) ITEM search(KEY) void remove(KEY) ITEM select(int) public String toString() } // example of a client using symbol list class DeDup { public static void main(String[] args) { int i, int N = Integer.parseInt(args[0]), int sw = Integer.parseInt(args[1]); ST st = new ST(N); // construct stable for (i = 0; i < N; i++) { myItem v = new myItem(); // either generate list or read it from input // depending on args[1] if (sw == 1) v.rand(); else v.read(); // insert element only if key does not exist if (st.search(v.key()) == null) { st.insert(v); Out.println(v + ""); } // print no of keys and duplicates Out.print(N + " keys, "); Out.println(N-st.count() + " dups");

140 3.2 Symboltabellen als linearen Strukturen
der Begriff „Symboltabelle“ suggeriert mit dem Teilbegriff „Tabelle“ eine lineare Struktur von Elementen. Tatsächlich kann man Symboltabellen sehr gut linear strukturieren und deren Operationen auf diesen linearen Strukturen effizient, d.h. laufzeit-optimiert, umsetzen. Dabei wird im Allgemeinen auf die häufigste Operation optimiert: Auf das Suchen Schlüsselindizierte Suche Sequenzielle Suche Binäre Suche Vergleich

141 3.2.1 Schlüsselindizierte Suche
! 3.2.1 Schlüsselindizierte Suche Wenn die Schlüsselwerte positive Ganzzahlen kleiner M sind und die Elemente eindeutige Schlüssel haben, dann lässt sich der ADT „Symboltablle“ mit schlüsselindizierten Arrays (Hashlisten) von Elementen implementieren. insert, search, remove: O(1) select, sort,: O(n) class ST { private intkeyItem[] st; ST(int M) { st = new intkeyItem[M]; } int count() { int N = 0; for (int i = 0; i < st.length; i++) { if (st[i] != null) N++; } return N; } void insert(intkeyItem x) { st[x.key()] = x; } void remove(int key) { st[key] = null; } intkeyItem search(int key) { return st[key]; } intkeyItem select(int k) { for (int i = 0; i < st.length; i++) { if (st[i] != null && k-- == 0) return st[i]; } return null; public String toString() { String s = ""; for (int i = 0; i < st.length; i++) [ if (st[i] != null) s += st[i] + "\n"; } return s;

142 3.2.2 Sequenzielle Suche: Ansätze
! 3.2.2 Sequenzielle Suche: Ansätze Wenn die Schlüsselwerte keine positive Ganzzahlen kleiner M sind (und sich auch nicht auf solche abbilden lassen) oder M zu groß für eine realistische Speicherung ist, lässt sich eine Symboltabelle auch einfach als z.B. sortiertes (geordnetes) Array realisieren. wird ein Element eingefügt, verschieben sich die größeren Element um eine Position nach hinten (wie beim insertion-sort) Beim Suchen wird das Array sequenziell durchlaufen. Das Durchlaufen kann beendet werden, sobald das Element oder ein Größeres gefunden wird. Auswählen lässt sich durch Zugriff auf das k-te Element leicht implementieren. Für das Sortieren ist überhaupt gar keine Aktion notwendig (außer ggf. einer Ausgabe) Es sind auch weitere Realisierungen üblich, als: ungeordnetes Array geordnete verkettete Liste ungeordnete verkettete Liste

143 3.2.2 Sequenzielle Suche: sorted array
class ST { private boolean less(KEY v, KEY w) { return v.less(w); } private boolean equals(KEY v, KEY w) { return v.equals(w); } private ITEM[] st; private int N = 0; ST(int maxN) { st = new ITEM[maxN]; } int count() { return N; } void insert(ITEM x) { int i = N++; KEY v = x.key(); // “eager approach” for counting while (i > 0 && less(v, st[i-1].key())) { st[i] = st[i-1]; i--; } st[i] = x; } ITEM search(KEY key) { int i = 0; for ( ; i < N; i++) { if (!less(st[i].key(), key)) break; } // leave loop by BREAK if (i == N) return null; // ATTENTION: return either HERE if (equals(key, st[i].key())) return st[i]; // or HERE return null; // or HERE ITEM select(int k) { return st[k]; }

144 3.2.2 Sequenzielle Suche: unsorted list
class ST { private class Node { ITEM item; Node next; Node(ITEM x, Node t) { item = x; next = t; } } private Node head; private int N; ST(int maxN) { head = null; N = 0; } int count() { return N; } void insert(ITEM x) { head = new Node(x, head); N++; } private ITEM searchR(Node t, KEY key) { if (t == null) return null; if (equals(t.item.key(), key)) return t.item; return searchR(t.next, key); ITEM search(KEY key) { return searchR(head, key); } public String toString() { Node h = head; String s = ""; while (h != null) { s += h.item + "\n"; h = h.next; } return s;

145 3.2.3 Binäre Suche: Ansatz und Implementierung
Man kann die Suche in einer sortierten (geordneten) Liste drastisch reduzieren, indem man nach dem „Teile-und-Herrsche“-Prinzip die zu durchsuchende Menge halbiert, entscheidet in welcher Hälfte man weitersuchen muss und dort rekursiv mit dem gleichen Ansatz weitersucht. // recursive implementation of binary search // l,r: left resp. right index of array to be searched // v: key to be searched for private ITEM searchR(int l, int r, KEY v) { if (l > r) return null; // list to be searched is empty int m = (l+r)/2; // determine middle of list // better: interpolate index within half (like // if (equals(v, st[m].key())) return st[m]; // element found if (less (v, st[m].key())) return searchR(l, m-1, v); // element in left else return searchR(m+1, r, v); // element in right } ITEM search(KEY v) { return searchR(0, N-1, v); // just call recursive implementation of search

146 3.2.3 Binäre Suche: Verbesserung
Statt „blind“ das mittlere Element zur Teilung zu verwenden, kann man den „Abstand“ des gesuchten Elements von der linken (bzw. rechten) Seite verwenden, um den Fundort schneller zu erreichen. statt m=(l+r)/2 verwendet man den Werteabstand des gesuchten Elements v zum linken Element al geteilt durch den Werteabstand zwischen dem linken ar und rechten Element al also (v - al) / (ar - al) Voraussetzung dafür ist, dass die Schlüsselwerte „einigermaßen“ gleichverteilt sind. Damit kommt man zu einer durchschnittlichen Zeitkomplexität von O (log(n) * log(n)), was selbst für große n praktisch konstant ist Dieses Vorgehen wendet man z.B. bei der Suche einer Telefonnr. im Telefonbuch an, denn dort sind die Werte - die Zeichenketten der gesuchten Nachnamen – ziemlich gleichverteilt. mit O (log(n) * log(n)) brauchen Sie zur Suche im Gießener Telefonbuch „praktisch“ gleich lange, wie bei der Suche im Telefonbuch von Mexiko-City (v - Wl) / (Wr - Wl)  m = l + (v – a[l].key())*(r-1) / ( a[r].key() – a[l].key() ) statt: m = (l+r)/2

147 ! 3.2.4 Vergleich insert(max) insert () search(max) search () select
Indizierte Suche IndexArray O(1) O(1) O(1) O(1) O(1) Sequenzielle Suche SortedArray O(n) O(n/2) O(n) O(n/2) O(1) SortedList O(n) O(n/2) O(n) O(n/2) O(n) UnsortedArray O(1) O(1) O(n) O(n/2) O(n log(n))* UnsortedList O(1) O(1) O(n) O(n/2) O(n log(n))* Binäre Suche SortedArray O(n) O(n/2) O(n) O(log(n)) * z.B. mit dem Heapsort (k-faches heapifien)

148 Übung 3.2 Implementieren Sie unter Verwendung des Frameworks aus 3.1. eine Symboltabelle als geordnete verkettete Liste und einen Client.

149 3.3 Binäre Suchbäume: Die Mutter aller Bäume
Insert-Operation in geordneten Listen und search-Operationen in ungeordneten Listen sind teuer, so dass sich Listen (bei einer Mischung dieser Operationen) nicht zur Implementierung von Symboltabellen eignen. Abhilfe schaffen binäre Suchbäume Definition Implementierung Beispiel Traversieren nichtrekursives Einfügen Selbstorganisierung Rotation Einfügen an der Wurzel (insert) Auswählen (select) Aufteilen (partition) Entfernen (remove) Verknüpfen (join) BST ausgleichen

150 ! 3.3.1 Definition Definition: Ein binäre Suchbaum oder binary search trees (BST) ist ein Binärbaum, bei dem mit jedem seiner internen Knoten ein Schlüssel verbunden ist. Zusätzlich gilt, dass der Schlüssel in jedem beliebigen Knoten größer (oder größer gleich, bei mehrfachen Schlüsseln) als alle Schlüssel seines linken Teilbaums ist und kleiner (kleiner gleich) als alle Schlüssel im rechten Teilbaum ist. 28 13 32 3 25 65 2 9 42 99

151 3.3.2 Implementierung class ST { private class Node { // one node of tree ITEM item; Node l, r; // key and pointers to two subtrees Node(ITEM x) { item = x; } // constructing node with value x as key } private Node head; ST(int maxN) { head = null; } private Node insertR(Node h, ITEM x) { if (h == null) return new Node(x); // if tree is empty, return new Node if (less(x.key(), h.item.key())) h.l = insertR(h.l, x); else h.r = insertR(h.r, x); return h; void insert(ITEM x) { head = insertR(head, x); } private ITEM searchR(Node h, KEY v) { if (h == null) return null; if (equals(v, h.item.key())) return h.item; // key found -> return if (less (v, h.item.key())) return searchR(h.l, v); // v smaller -> go left else return searchR(h.r, v); // v bigger -> go right ITEM search(KEY key) { return searchR(head, key); } // just call recursion

152 3.3.3 Beispiel  Nennen Sie mir 16 Zahlen zwischen 0 und 99

153 3.3.4 Traversieren Ein Traversieren in Inorder-Reihenfolge durch einen binären Suchbaum kann zum Sortieren (und zum „lazy“ Zählen) verwendet werden: // print values in sorted order private String toStringR(Node h) { if (h == null) return ""; String s = toStringR(h.l); s += h.item.toString() + "\n"; s += toStringR(h.r); return s; } public String toString() { return toStringR(head); } // count nodes private int countR(Node h) { if (h == null) return 0; return 1 + countR(h.l) + countR(h.r); int count() { return countR(head); }

154 3.3.5 nichtrekursives Einfügen
Das nichtrekursive Einfügen eines Elementes in einen BST entspricht einer erfolglosen Suche nach diesem Element. Dann fügt man an die Position, wo die Suche geendet hat das neue Element ein. public void insert(ITEM x) { KEY key = x.key(); // if tree is empty, just add node and return ... if (head == null) { head = new Node(x); return; } // ... otherwise // first, initialize p and q as running elements Node p = head, q = p; // walk through tree down to leave – and remember this leave in q while (q != null) { if (less(key, q.item.key())) { p = q; q = q.l; } else { p = q; q = q.r; } } // add new Node with key x either left or right to q if (less(key, p.item.key())) { p.l = new Node(x); } else { p.r = new Node(x); }

155 3.3.6 Selbstorganisierend In vielen Anwendungsfällen ist es geschickt, wenn neu eingefügte Elemente auch schneller gefunden werden, also z.B. dadurch, dass sie nicht unten als Blatt eingebaut werden, sondern oben in der Wurzel. Wenn man dann beim suchen das Gefundene unten entfernt und oben wieder einbaut, hat man eine selbstorganisierte Struktur, bei der häufig gesuchte Werte schnell gefunden werden. Fügt man ein kleineres Element als Wurzel ein, so wird der linke Teilbaum zum linken Teilbaum des neuen Elementes und die alte Wurzel (mit Teilbaum) wird zum rechten Nachfolgeknoten des eingefügten Elementes. Problem: im alten linken Teilbaum kann bereits ein Element vorhanden sein, welches größer als das neue Element ist. 15 28 15 13 32 13 28 3 25 3 25 32

156 3.3.7 Rotation: Implementierung
… um das Problem zu umgehen, fügt man das Element unten in den Baum ein und lässt es, unter Einhaltung der Bedingungen eines binären Suchbaums, nach oben zur Wurzel wandern … durch Rechts- bzw. Linksrotation 28 28 28 h h.l rotR (28) 13 32 13 32 15 32 h x h.r x.r 3 25 3 rotL (13) 15 13 25 h x h.l x.l 15 rotR (25) 25 3 x x.r 15 private Node rotR(Node h) { // return new (sub)root Node x = h.l; h.l = x.r; x.r = h; return x; } private Node rotL(Node h) { // return new (sub)root Node x = h.r; h.r = x.l; x.l = h; return x; 13 28 3 25 32

157 ! 3.3.7 Rotation: Schema rotate right rotate left h h h.l h.r x x x.r
x.l rotate left private Node rotR(Node h) { // return new (sub)root Node x = h.l; h.l = x.r; x.r = h; return x; } private Node rotL(Node h) { // return new (sub)root Node x = h.r; h.r = x.l; x.l = h; return x;

158 3.3.8 Einfügen an der Wurzel … und das Ganze sieht dann eingebaut so aus: // inserts item x in (sub)tree that is given by ist root h private Node insertT(Node h, ITEM x) { // if x has to be inserted in empty (sub)tree just create new node and // return it if (h == null) return new Node(x); // ... otherwise // recursively insert it in left or right subtree and rotate after insertion if (less(x.key(), h.item.key())) { h.l = insertT(h.l, x); h = rotR(h); } else { h.r = insertT(h.r, x); h = rotL(h); } // return to higher recursion level return h; } // just recursively call insertT public void insert(ITEM x) { head = insertT(head, x); }

159 3.3.9 Auswählen (select) Rekursives Auswählen/Suchen des (k+1)-kleinsten Schlüssels 0-basierter Index: z.B. k=4  5-kleinster Schlüssel der Algorithmus geht von einem „fleißigen“ (eager) Ansatz aus die Anzahl der Elemente in den Unterbäumen (inkl. Wurzel) ist im jeweiligen Wurzelknoten abgelegt (hier in: .N) Nachteil: pro Knoten wird ein weiteres Element benötigt private ITEM selectR(Node h, int k) { if (h == null) return null; // no subtree -> return int t = (h.l == null) ? 0 : h.l.N; // get nr. of elements in left subtree // nr. of element in left subtree larger than k -> proceed in left subtree if (t > k) return selectR(h.l, k); // nr. of element in left subtree smaller than k -> proceed in rightsubtree if (t < k) return selectR(h.r, k-t-1); // nr. of element in left subtree neither smaller nor larger -> element found return h.item; } ITEM select(int k) { return selectR(head, k); } // just call recursive select

160 3.3.9 Auswählen (select): Beispiel
! 3.3.9 Auswählen (select): Beispiel 5-kleinste selectR(&7,4) k=4, t=3 t<k: selectR(&8,0) k=0, t=0 t=k: -> &8 3-kleinste: selectR(&7,2) k=2, t=3 t>k: selectR(&5,2) k=2, t=1 t<k: selectR(&6,0) k=0,t=0 t=k: -> &6 .N = 6 7 5 8 .N = 3 .N = 2 4 6 9 .N = 1 .N = 1 .N = 1 .N = 6 7 5 8 .N = 2 .N = 3 4 6 9 .N = 1 .N = 1 .N = 1

161 3.3.10 Aufteilen (partition)
Rekursives Aufteilen des Baumes, so dass das k-kleinste Element zur neuen Wurzel wird. wie „select“ aber mit anschließender Rotation, so dass das k-kleinste Element zur Wurzel rotiert wird Rotation nach rechts im linken Teilbaum, Rotation nach links im rechten Teilbaum Node partR(Node h, int k) { int t = (h.l == null) ? 0 : h.l.N; // get nr. of elements in left subtree // nr. of element in left subtree larger than k -> proceed in left subtree if (t > k) { partR(h.l, k); // recursively search in left subtree h = rotR(h); // rotate right aftet recursive call } // nr. of element in left subtree smaller than k -> proceed in rightsubtree if (t < k) { partR(h.r, k-t-1); // recursively search in right subtree h = rotL(h); // rotate left after recursive call // nr. of element in left subtree neither smaller nor larger -> element found return h; // just return

162 3.3.11 Entfernen (remove): Vorgehen
! Entfernen (remove): Vorgehen Entfernen der Wurzel in einem binären Suchbaum Überprüfung, ob sich der Knoten im Baum befindet Gefundener Knoten ist Wurzel eines Teilbaums Entfernen dieser (Teilbaum-) Wurzel Rotation des kleinsten Elementes des rechten (Teil-) Teilbaums zur neuen (Teilbaum-) Wurzel das ist willkürlich: man kann auch das größte Element des linken Teilbaums zur neuen Wurzel machen. solche Bäume tendieren zu n Tiefe und damit O(n) Suchaufwand.(statt: log(n) ) Anbinden des linken (Teil-) Teilbaumes an die neue (Teilbaum-) Wurzel 25 15 13 28 32 3 13 28 3 25 32 25 13 28 3 32 25 13 28 3 32

163 3.3.11 Entfernen (remove): Implementierung
Entfernt einen Knoten mit dem Wert v Durchläuft den Baum rekursiv, bis der gesuchte Knoten v als Wurzel eines Teilbaumes gefunden wurde ersetzt den Knoten durch das Ergebnis der Zusammenfassung seiner zwei Teilbäume - dabei macht er den kleinsten Knoten im rechten Teilbaum zur neuen Wurzel und setzt dann dessen linke Verbindung auf den linken Teilbaum private Node joinLR(Node a, Node b) { // see example on previous slide if (b == null) return a; // no right subtree -> left subtree is new root b = partR(b, 0); // rotate smallest element in right subtree to root b.l = a; // link left subtree of new root return b; // return new root } private Node removeR(Node h, KEY v) { if (h == null) return null; KEY w = h.item.key(); if (less(v, w)) removeR(h.l, v); // if smaller -> search in left subtree if (less(w, v)) removeR(h.r, v); // if larger -> search in right subtree if (equals(v, w)) h = joinLR(h.l, h.r); // found -> delete it return h; void remove(KEY v) { removeR(head, v); } // removes node with key v

164 3.3.12 Verknüpfen (join): Vorgehen
! Verknüpfen (join): Vorgehen 15 Man verknüpft zwei Teilbäume, indem man die Wurzel des ersten Teilbaums wird in den zweiten Teilbaum „an der Wurzel“ eingefügt (über „insertT“). Dabei bleiben im ersten Teilbaum ein linker und ein rechter Teil-Teil-Baum übrig Im zweiten Teilbaum ergeben sich ebenfalls ein linker und ein rechter Teil-Teil-Baum Die jeweils linken Teil-Teil-Bäume sind kleiner, die jeweils rechten Teil-Teil-Bäume sind größer als die eingefügte Wurzel die jeweils linken Teil-Teil-Bäume und die jeweils rechten Teil-Teil-Bäume werden (rekursiv) verknüpft und links und rechts an die Wurzel gehängt. Aufwand: O(n) 28 8 27 13 32 16 3 25 15 15 8 27 13 28 16 3 25 32 15 8 13 27 28 3 16 25 32 15 8 16 3 13 27 25 28 32

165 3.3.12 Verknüpfen (join): Implementierung
private Node joinR(Node a, Node b) { // if one of the subtrees is empty, the other is the result if (b == null) return a; // second node is empty -> first node is result if (a == null) return b; // first node is empty -> second node is result // insert root of first tree as root of second tree insertT(b, a.item); // recursively join left subtrees and link them as left subtree to root b.l = joinR(a.l, b.l); // recursively join right subtrees and link them as right subtree to root b.r = joinR(a.r, b.r); // return joined tree return b; } // join tree b with own tree (refered by head) public void join(ST b) { head = joinR(head, b.head); }

166 BST ausgleichen Zum Suchen in BSTs ist es wünschenswert, dass die BSTs möglichst flach sind, d.h. dass alle Zweige eine max. Tiefe von ld n haben. Man kann dies dadurch erreichen, dass beim z.B. bei jedem Einfügen eine Knotens der Median aller Knoten (über die partR-Methode) zur Wurzel gemacht wird: private Node balanceR(Node h) { if ((h == null) || (h.N == 1)) return h; //nothing to balance // get median of treee, assuming that no. of subnodes are strored as N in node h = partR(h, h.N/2); // recursively call balancedR of left and right subtree h.l = balanceR(h.l); h.r = balanceR(h.r); return h; // return root }

167 3.4 Randomisierte BSTs Diese Struktur eines BST hängt sehr stark von der Reihenfolge des Einfügens ab. Insbesondere können in pathologischen Fällen (z.B. sortierten Eingabelfolge lineare Strukturen (statt Baumstrukturen) entstehen, was zu linearen (statt logarithmischen) Zeitaufwänden beim Suchen führt. Ein „guter“ BST ist also abhängig von der Annahme, dass die Eingabefolge zufällige Werte besitzt. Diese Zufälligkeit kann man auch im Algorithmus selbst erzeugen und hat es dann mit Randomisierten BSTs zu tun. Einfügen (insert) Entfernen (remove) Verknüpfen (join)

168 ! 3.4.1 Einfügen (insert) Die Idee des Randomisierens ist es, egal wie zufällig die Reihenfolge der vorgegebene Daten ist, die Knoten so einzufügen, dass jeder Knoten mit der Wahrscheinlichkeit 1/N ein Wurzelknoten ist. Damit wird jede Eingabefolge zur zufälligen Eingabefolge private Node insertR(Node h, ITEM x) { if (h == null) return new Node(x); // each N.th node may be root of tree if (Math.random()*h.N < 1.0) return insertT(h, x); // retrun already here // otherwise: just insert smaller nodes in left, larger in right subtree if (less(x.key(), h.item.key())) h.l = insertR(h.l, x); else h.r = insertR(h.r, x); // increase no. of nodes in subtree and return h.N++; return h; } void insert(ITEM x) { head = insertR(head, x);

169 3.4.2 Entfernen (remove) Auch beim Entfernen von Knoten kann das Gleichgewicht des Baumes gestört werden. So ergibt sich mit der „normalen“ Entfernen (removeR)-Methode eines BST eine durchschnittliche Baumtiefe von n. Grund ist auch hier die willkürliche Festlegung, den kleinsten Knotens im rechten Teilbaum zur neuen Wurzel zu machen. Auch diese Festlegung kann man randomisieren. private Node joinLR(Node a, Node b) { if (a == null) return b; if (b == null) return a; // use either biggest node of left subtree or smallest node of right subtree // with a probality of a.N/(a,N+b.N) or b.N/(a.N+b.N) resp. if (Math.random()* (a.N + b.N) < a.N) { a.r = joinLR(a.r, b); return a; } else { b.l = joinLR(a, b.l); return b; } } private Node removeR(Node h, KEY v) { ... // see removeR from previous slides void remove(KEY v) { removeR(head, v); } // removes node with key v

170 3.4.3 Verknüpfen (join) Die Gleichgewicht von BST wird nicht nur durch das Einfügen einzelner Elemente , sondern auch durch das Verknüpfen von zwei Bäumen (potentiell negativ) verändert . Das liegt daran, dass beim „normalen“ Verknüpfen mit der joinR-Methode eines BSTs immer ein Knoten desselben Teilbaums zur neuen Wurzel wird. Auch das kann man randomisieren. public void join(ST b) { int N = head.N; // no of nodes in this tree int M = b.count(); // no of nodes in tree b // assuming a has N nodes, b has M nodes // probability that root has to be taken from a is M/(N+M) // probability that root has to be taken from b is N/(N+M) if (Math.random()*(N+M) < N) head = joinR(head, b.head); else head = joinR(b.head, head); }

171 3.5 Splay BSt Durch das Randomisieren kann die Wahrscheinlichkeit unausgeglichener Bäume dramatisch herabgesetzt werden. Man kann nun, durch eine einfache Modifikation des Einfügen-Operators die Ausgeglichenheit von BSTs weiter erhöhen: Die Idee dabei ist es Rotationen zum Ausgleich von Teilbäumen geschickt einzusetzen. Das Resultat sind Splay-BSTs Idee Rotation Einfügen Eigenschaften

172 ! 3.5.1 Idee Man betrachtet jeweils zwei aufeinanderfolgende Rotationen, also solche die den Nach-Nachfolger zur Wurzel rotieren. Dabei gibt es vier Fälle: Linksrotation gefolgt von Linksrotation Rechtsrotation gefolgt von Rechtsrotation Linksrotation gefolgt von Rechtsrotation Rechtsrotation gefolgt von Linksrotation Diese vier Fälle lassen sich nochmals zu zwei grundsätzlich unterschiedlichen Fällen zusammenfassen: Rotationen gleicher Orientierung: links/links, rechts/rechts Rotationen unterschiedlicher Orientierung: links/rechts, rechts/links Splay BST verwendet Rotationen mit gleicher Orientierung, um über die spezielle Splay-Einfüge-Operation die beim Einfügen betrachtet Teilbäume auszugleichen. 15 28 28 15 28 13 13 28 32 3 15 25

173 ! 3.5.2 Rotationen Rotation erst nach links dann nach rechts um Knoten 15 zur Wurzel zu machen Rotation zweimal nach rechts um Knoten 13 zur Wurzel zu machen 28 28 15 rotR (28) 13 32 15 32 13 28 3 rotL (13) 15 13 25 3 25 32 25 3 28 15 13 25 32 3 rotR (15) (28)

174 ! 3.5.2 Rotationen Erst untere Rotation, dann obere Rotation
Erst obere Rotation, dann untere Rotation -> wird bei Splay-Einfügen verwendet 28 15 13 25 32 3 rotR (15) (28) 28 15 13 rotR (28) rotR (15) 15 32 13 28 3 15 13 25 3 25 32 28 3 25 32

175 3.5.3 Einfügen (Splay-insert)
private Node splay(Node h, ITEM x) { if (h == null) return new Node(x); // tree empty, return new node // insert x into tree if (less(x.key(), h.item.key())) { // left subtree empty: add x left, rotate right and return if (h.l == null) { h.l = new Node(x); return rotR(h); } // case: left/left -> rotate right at root if (less(x.key(), h.l.item.key())) { h.l.l = splay(h.l.l, x); h = rotR(h); } // case: left/right -> rotate left at left subtree-node else { h.l.r = splay(h.l.r, x); h.l = rotL(h.l);} return rotR(h); // rotate right at root } else { // right subtree empty: add x right, rotate left and return if (h.r == null) { h.r = new Node(x); return rotL(h); } // case: right/right -> rotate left at root if (less(h.r.item.key(), x.key())) { h.r.r = splay(h.r.r, x); h = rotL(h); } // case: right/left -> rotate right at right subtree-root else { h.r.l = splay(h.r.l, x); h.r = rotR(h.r);} return rotL(h); // rotate left at root }

176 ! 3.5.4 Eigenschaften Um einen Splay-BST aus N Einfügeoperationen in einen anfangs leeren Baum zu erstellen, sind O(n ld n) Vergleiche nötig. Das entspricht dem durchschnittlichen Fall bei einem normalen BST. Ist aber besser als O(n2) bei einer pathologischen Eingabefolge für einen „normalen“ BST. Die Anzahl der benötigten Vergleiche für Suchen-Operationn nach M Einfügeoperationen in einen binären Suchbaum mit N Elementen ist O ((N+M)lod(N+M) Eine Splay-Einfüge-Operation verkürzt die Pfadlänge aller beteiligten Knoten auf die Hälfte. Man kann die Splay-Transformation, also das „Durchrotieren“ an die Wurzel mit Splay-Rotationen auch beim Suchen anwenden. Dadurch organsiert sich der Baum ähnlich selbst wie selbstorganisierenden Binären Suchbaum. Zusätzlich werden die éi der Rotation betroffenen „Nachbarelemente“ näher zur Wurzel gebracht, mithin also ebenfalls schneller gefunden. Splay-Bäume geben aber keine Leistungsgarantie für einzelne Operationen in pathologischen Fällen, sondern eine amortisierte Leistungsgarantie. Selbst wenn einzelne Suchoperationen lineare Aufwand aufweisen, so ist garantiert, dass andere Suchoperationen umso schneller sind. Insgesamt ergibt sich ein Aufwand von O(n ld n)

177 3.6 Ror-Schwarz Bäume: Der König der Bäume
Trotz der wahrscheinlichen Leistungsgarantien bei randomisierten Suchbäumen oder Splay-Suchbäumen besteht, wenn der Teufel es so möchte, die Möglichkeit, dass einzelne Suchoperationen lineare Zeit benötigen. Auch der Aufwand für Einfüge-Operationen können dabei linear werden. Abhilfe schaffen TOP-DOWN Bäume und die daraus abgeleiteten Rot-Schwarz-Bäume 2-3-4 Bäume Beispiel eines Baumes Einfügen in Bäume Eigenschaften von Bäumen 2-3-4 Bäume als Rot-Schwarz Bäume Teilen von 4-Knoten Implementierung Eigenschaften

178 ! Bäume Ein Suchbaum ist ein Baum, der entweder leer ist oder aus drei Knotentypen besteht: 2-Knoten: Ein Knoten mit einem Schlüssel, einer linken Verbindung zu einem Teilbaum mit kleineren Schlüsseln und einer rechten Verbindung zu einem Teilbaum mit größeren Schlüsseln. 3-Knoten: Ein Knoten mit zwei Schlüsseln einer linken Verbindung zu einem Teilbaum mit kleineren Schlüsseln, einer mittleren Verbindung mit Schlüsseln zwischen den zwei Schlüsseln des Knotens und einer rechten Verbindung mit größeren Schlüssel 4-Knoten: Ein Knoten mit vdrei Schlüsseln einer ersten (linken) Verbindung zu einem Teilbaum mit kleineren Schlüsseln, einer zweiten Verbindung zu einem Teilbaum mit Schlüsselwerten zwischen dem ersten und zweiten Schlüsselwert einer dritten Verbindung zu einem Teilbaum mit Schlüsselwerten zwischen dem zweiten und dritten Schlüsselwert und einer vierten (rechten) Verbindung mit größeren Schlüsseln Ein ausgeglichener Suchbaum ist ein Suchbaum, bei dem Alle Verbindungen zu leeren Bäumen mit dem gleichen Abstand von der Wurzel führen.

179 3.6.2 Beispiel eines 2-3-4 Baumes
! 3.6.2 Beispiel eines Baumes ein ausgeglichener Suchbaum mit 12 Knoten ein 4-Knoten: (15,21,25) zwei 3-Knoten, (28,30) bzw. (18,20) neun 2-Knoten: (3), (13), (14), (17), (23), (24), (26), (29) , (32) Ein Suchbaum bestehend aus ausschließlich 2-Knoten entspricht einem binären Suchbaum 15,21,25 x<15 25<x 15<x<21 21<x<25 13 17 23 28,30 x<28 30<x 28<x<30 3 14 18,20 24 26 29 32

180 ! 3.6.3 Einfügen in Bäume Beispiel: Einfügen von 7,10 und 5 in einen Suchbaum Um einen Schlüssel in einen ausgeglichenen Suchbaum einzufügen, sucht man zunächst das Element, an das der einzufügende Schlüssel anzuhängen wäre. Ist dieses Element ein 2 –oder 3-Knoten, so wird der Schlüssel einfach in den Knoten als zusätzlicher Schlüssel eingeführt. Aus einem 2-Knoten wird dabei ein 3-Knoten, aus einem 3-Knoten wird ein 4-Knoten. Ist dieses Element ein 4-Knoten so teilt man den 4-Knoten, indem man den mittleren Schlüssel in den Vorgänger zieht und den Knoten anschließend in zwei 2-Knoten zerteilt. Diese bieten dann Platz für den einzufügenden Schlüssel Diese Operationen bewahren den ausgeglichenen Zustand. 13 13 13 7,13 3 14 3, 7 14 3, 7,10 14 3, 5 10 14

181 ! 3.6.3 Einfügen in Bäume Was ist aber, wenn der Vorgänger eines 4-Knotens selbst ein 4-Knoten ist lazy approach: Man könnte diesen Vorgänger selbst teilen, wobei allerdings auch dessen Vorgänger wieder ein 4-Knoten sein könnte. Das könnte sich bis nach ganz oben zur Wurzel fortsetzen. eager approach: Im Mittel schneller ist es sicherzustellen, dass der Suchpfad nicht in einem 4-Knoten endet, dass also kein Blatt ein 4-Knoten ist. Dazu teilt man jeden 4-Knoten auf dem man auf dem Weg durch den Baum nach unten begegnet..Dabei wird … …. aus einem 2-Knoten als Vorgänger eines 4-Knotens ein 3-Knoten mit zwei 2- Knoten als Nachfolger … aus einem 3-Knoten als Vorgänger eines 4-Knotens ein 4-Knoten mit zwei 2- Knoten als Nachfolger ist die Wurzel selbst 4-Knoten, so wird dieser in einen 2-Knoten mit zwei 2-Knoten als Nachfolger aufgeteilt. 13,17,22 3 14 + (7) + (10) + (5) 17 13,17,22 13 22

182 3.6.4 Eigenschaften von 2-3-4 Bäumen
! 3.6.4 Eigenschaften von Bäumen Der Baum wird jeweils an der Wurzel nach oben erweitert. Daher nennt man Bäume auch TOP-DOWN Bäume Mit dem eager-approach wird jeder 4-Knoten aufgelöst beim Einfügen eines Schlüssels kann ein 4-Knoten entstehen, der so lange „nach oben“ aufgelöst wird bis „darüber“ kein 3-Knoten mehr ist.. Aufwand: Einfügeoperationen in Bäumen mit N Knoten benötigen im ungünstigsten Fall weniger als ld N+1 Knotenteilungen und „scheinen“ im Durchschnitt weniger als eine Knotenteilung zu erfordern. Suchoperationen in Bäumen mit N Knoten besuchen höchstens ld N+1 Knoten Die Implementierung von Bäumen ist umständlich und erzeugt einen gewissen Overhead („den dummen Faktor C) bezüglich z.B. Splay-Bäumen . … und das nur, um den sehr seltenen Worst-Case eines linearen Such- bzw. Einfüge-Aufwandes zu vermeiden.

183 3.6.5 2-3-4 Bäume als Rot-Schwarz-Bäume
! Bäume als Rot-Schwarz-Bäume Da Bäume umständlich zu implementieren sind, wurde eine andere gleichwertige Abstraktionen entwickelt: die Rot-Schwarz-Bäume. Statt Binärbäume (mit ausschließlich 2-Knoten) um 3- bzw. 4-Knoten zu erweitern, verteilt man die Schlüssel von 3- und 4-Knoten auf mehrere Knoten und kennzeichnet deren „Zusammenhang“ durch besondere Verbindungen: rote Verbindungen (die man in einem Flag kennzeichnet). So lassen sich 3- und 4-Knoten wie folgt darstellen: es ist also insb. nicht möglich, dass zwei rote Verbindungen direkt nacheinander in einem Pfad auftreten. Alternativ: 30 28 30 28 28,30 30<x x<28 x<28 30<x 28 30 oder 28 30 28<x<30 x<28 28<x<30 28<x<30 30<x 21 21 15,21,25 x<15 25<x 15 25 25<x x<15 15 25 15<x<21 21<x<25 15<x<21 21<x<25

184 3.6.6 Teilen von 4-Knoten (Fall 1-4)
! 3.6.6 Teilen von 4-Knoten (Fall 1-4) ! ! !

185 3.6.6 Teilen von 4-Knoten (Fall 5-8 : gespiegelt)
! !

186 3.6.7 Implementierung: Idee
! 3.6.7 Implementierung: Idee Bei der Implementierung der Einfüge-Operation fügt man das einzufügende Element unten im Baum ein (also nicht wie bei Top-Down Bäumen). Auf dem Weg nach unten teilt man 4-Knoten (also solche mit zwei roten Verbindungen nach unten) ist die Wurzel ein 4-Knoten (hat also zwei rote Verbindungen), so wird die Binärstruktur übernommen (also die roten Verbindungen verworfen, d.h. umgewandelt) das eingefügte Element wird als roter Knoten eingefügt (also als Teil eines 3- oder 4-Knotens, mit roter Verbindung) auf dem Weg nach oben werden die Rotationen durchgeführt (mit Setzen der Farbe): bei gleicher Orientierung eine Rotationen bei unterschiedlicher Orientierung zwei unterschiedliche Rotationen: zunächst eine Rotation beim untersten Knoten und danach die Rotation. 28 15 15 13 28 13 28 28 28 25 15 15 25 15 28 25 15

187 3.6.7 Implementierung: Code
private static final boolean R = true, B = false; private boolean red(Node x) { if (x == null) return false; return x.cbit; } private Node insertR(Node h, ITEM x, boolean ri) { // ri : in right subtree ? // came to bottom -> insert node with red link if (h == null) { return new Node(x, R); } // remove 4-knot: lift two red sublinks to red link if (red(h.l) && red(h.r)) { h.cbit = R; h.l.cbit = B; h.r.cbit = B; } if (less(x.key(), h.item.key())) { // key to be inserted is smaller h.l = insertR(h.l, x, false); // recursively insert in left subtree // if (red(h) && red(h.l) && ri) { h = rotR(h); } if (red(h.l) && red(h.l.l) ) { h = rotR(h); h.cbit = B; h.r.cbit = R; } } else { // key to be inserted is bigger h.r = insertR(h.r, x, true); // recursively insert in right subtree if (red(h) && red(h.r) && !ri) { h = rotL(h); } if (red(h.r) && red(h.r.r) ) { h = rotL(h); h.cbit = B; h.l.cbit = R; } } return h; void insert(ITEM x) { head = insertR(head, x, false); head.cbit = B; }

188 3.6.7 Implementierung: gleiche Orientierung
insertR (28,13,false) if (less (13,28)) 28.l = insertR(15,13, false) if (less (13,15)) 15.l = insertR(null,13, false) if (null == null) return 13 => 15.l = 13 return 15 => 28.l = 15 if (red(28.l) && red(28.l.l)) h = rotR(28) <=> cbit = B 15.r.cbit = 28.cbit = R 28 15 28 15 13 15 13 28

189 3.6.7 Implementierung: unterschiedliche Orientierung
insertR (28,25,false) if (less (25,28)) 28.l = insertR(15,25, false) else (if (less (25,15))) 15.r = insertR(null,25, true) if (null == null) return 25 => 15.r = 25 if (red(15) && red(15.r = 25 ) && !false) h = rotL(15) = 25 return 25 => 28.l = 25 if (red(28.l) && red(28.l.l)) h = rotR(28) <=> cbit = B 25.cbit = B; 25.r.cbit = R 28 15 28 15 25 28 25 15 25 15 28

190 ! 3.6.8 Eigenschaften Das Suchen in Rot-Schwarz-Bäumen betrachtet die Färbung von Verbindungen nicht und funktioniert genau wie bei Binärbäumen. eine Suche in einem Rot-Schwarz Baum mit N Knoten benötigt weniger als 2 ld N + 2 Vergleiche, also O(log n). Dieser Aufwand gilt auch im worst case, denn der Baum ist immer ausgeglichen eine Suche in einem Rot-Schwarz Baum mit N Knoten, der aus zufälligen Schlüsseln aufgebaut ist, benötigt im Durchschnitt ungefähr 1,002 ld N Vergleiche. … ist also „ziemlich“ Optimal Das Einfügen in Rot-Schwarz-Bäumen erzeugt bezügl. dem Einfügen in Binärbäumen nur einen geringen Overhead, denn wir müssen nur 4-Knotzen auflösen. Die treten aber nicht oft auf und werden zudem sofort aufgelöst. Neben Rot-Schwarz Bäumen gibt es noch andere Ansätze, Ausgeglicheheit zu garanrtieren. Insbesondere die AVL-Bäume (1962: Adelson-Velsky und Landis) wurden vor den Rot-Schwarz-Bäumen entdeckt, sind aber etwas Speicherplatzintensiver. Daher wird in Java als Standard „TreeMap“ (in java.util) als Rot-Schwarz-Baum implementiert

191 3.7 Skiplisten Neben linearen Strukturen und Bäumen gibt es einen weiteren Ansatz, Such- und Sortieroperationen optimal durch eine Datenstruktur zu unterstützen: die Skiplisten Idee Definition und Klasse Suchen, Einfügen Entfernen Eigenschaften

192 ! 3.7.1 Idee Die Grundstruktur von Skiplisten entsprechen einfach verkettete Listen. Zusätzlich können noch weitere Pointer (Objektreferenzen) auf weiter entfernte Elemente verweisen und somit das Suchen weiter entfernter Element vereinfachen Bsp.: Bei jedem dritten Element ist eine weitere Objektreferenz angegeben mit der bei der Verkettung drei Element übersprungen werden können. Die Referenzstrukturen können aber komplexer und unregelmäßiger sein: 2 4 7 10 11 15 27 28 45 64 87 91 2 4 7 10 11 15 27 28 45 64 87 91

193 ! 3.7.2 Definition und Klasse Eine Skipliste ist eine geordnete verkettete Liste, bei der jeder Knoten eine variable Anzahl von Verbindungen enthält, wobei die i-ten Verbindungen in den Knoten einfach verkettete Listen Implementieren, die Knoten mit weniger als i-Verbindungen überspringen. wird die Anzahl der links bei neu einzufügenden Knoten zufällig bestimmt, spricht man von randomisierten Skiplisten. 2 4 7 10 11 15 27 28 45 64 87 91 private class Node { ITEM item; Node[] next; int sz; Node(ITEM x, int k) { item = x; sz = k; next = new Node[sz]; } } private static final int L = 50; private Node head; private int N, lgN; ST(int maxN) { N = 0; lgN = 0; head = new Node(null, L); }

194 ! 3.7.3 Suchen: Idee Beim Suchen gehen wir durch die oberste Liste, bis wir auf einen Schlüssel stoßen der einen kleineren Wert hat, aber auf ein Element verweist, der einen größeren Schlüssel hat. Das setzen wir auch den unteren Listen soweit fort, bis das Element gefunden wurde oder auf der untersten Ebene scheitert. Wir durchlaufen die verkettete Liste auf Ebene k solange der Schlüssel kleiner ist als der Gesuchte und setzen dann die Suche auf Ebene k-1 fort. Wir machen das Ganze solange bis der Wert entweder gefunden wurde oder wir auf der 0-ten Ebene auf einen größeren Wert stoßen. 2 4 7 10 11 15 27 28 45 64 87 91

195 3.7.3 Suchen: Implementierung
private ITEM searchR(Node t, KEY v, int k) { // no list to search if (t == null) return null; // found (but do not consider dummy head) if ((t != head) && (equals(t.item.key(), v)) // assumes that && is interpreted return t.item; // sequentially // not found on level k -> goto level k-1 if (k >= t.sz) k = t.sz-1; // recursively walk through list if searched key bigger than actual if ((t.next[k] != null) && (!less(v, t.next[k].item.key())) return searchR(t.next[k], v, k); // either found or proceed search on level k-1 if (k == 0) return null; // not found else searchR(t, v, k-1); // proceed search on level k-1 } ITEM search(KEY v) { return searchR(head, v, lgN - 1); }

196 ! 3.7.4 Einfügen: Idee Beim Einfügen wird der einzufügenden Knoten gesucht und dann an der „entsprechenden“ Stelle eingefügt und vollständig verkettet. Die Anzahl der Referenzen sollte „geschickt“ gewählt werden. 2 4 7 10 11 12 15 27 28 45 64 87 91

197 ! 3.7.4 Einfügen: Vorgehen Beim Einfügen müssen wir zunächst festlegen, wieviele Verbindungen der neue Knoten haben soll: Möchte man auf der 1-sten Ebene t Elemente (im ersten Beispiel t=3) überspringen können, so muss jedes tJ = t1.te Element j+1=2 Links haben. Möchte man auf der j-ten Ebene t Elemente überspringen können, so muss jedes tJ.te Element j+1 Links haben. d.h. die Wahrscheinlichkeit dass ein Knoten j+1 links hat, sollte eine Wahrscheinlichkeit von 1/tJ haben. Wir brauchen also ein Methode (randX) die uns mit der Wahrscheinlichkeit 1/tJ eine Anzahl j+1 von links zurückgibt Nachdem wir nun zufällig bestimmt haben, wieviele Links j der neu einzufügende Knoten hat, muss der Link an der richtigen Stelle eingefügt und vollständig verlinkt werden: Die Position des neuen Elements wird entsprechend der Search-Operation. Nachdem wir die Ebene j erreicht haben, verbinden wir das neue Element mit seinem Vorgänger und Nachfolger jedesmal, wenn wir auf die nächste Ebene wechseln. Zum Initialisieren einer Skipliste wird ein Kopfknoten mit der maximalen Anzahl von Ebenen als Dummy-Knoten erzeugt,

198 3.7.4 Einfügen: Implementierung
private int randX() ( (( determine no_of_links int i, j; double t = Math.random(); for (i = 1, j = 2; i < L; i++, j += j) if (t*j > 1.0) break; if (i > lgN) lgN = i; return i; } private void insertR(Node t, Node x, int k) { KEY v = x.item.key(); Node tk = t.next[k]; // next node t on level k // change level if ((tk == null) || less(v, tk.item.key())) { // actual level smaller no_of_links -> relink predeccessor/successor if (k < x.sz) { x.next[k] = tk; t.next[k] = x; } if (k == 0) return; insertR(t, x, k-1); return; // don‘t change level, just continue searching on actual level insertR(tk, x, k); void insert(ITEM v) { insertR(head, new Node(v, randX()), lgN); N++; }

199 3.7.5 Entfernen: Implementierung
Um einen Knoten zu löschen entfernen wir seine links auf jeder Ebene, in der wir welche finden und beenden das Ganze bis wir die unterste Ebene erreicht haben. private void removeR(Node t, KEY v, int k) { Node x = t.next[k]; // key either bigger or equal -> if equal remove else proceed searching lower if (!less(x.item.key(), v)) { if (equals(v, x.item.key())) { t.next[k] = x.next[k]; } // remove by unlinking if (k == 0) return; // reached lowest level -> return removeR(t, v, k-1) return; // recursively proceed searching in lower levels } // key smaller -> procees searching on same level removeR(t.next[k], v, k); void remove(ITEM x) { removeR(head, x.key(), lgN); N--; }

200 ! 3.7.6 Eigenschaften Suchen und Einfügen in einer randomisierten Skipliste mit Parameter t benötigt im Durchschnitt (t logt N)/2 = (t/(2 ld t)) ld N Vergleiche, ist also O(log N) Die Reihenfolge des Einfügens ist durch die randomisierung unerheblich, insbesondere beinträchtigen sortierte Eingabefolgen das Zeitverhalten nicht. Skiplisten haben im Durchschnitt N / (1-1/t) = N (t/(t-1)) Verbindungen, hat also einen Platzbedarf von O(N) auf der untersten Ebene gibt es N Verbindungen, N/t Verbindungen in der zweiten Ebene, N/t2 in der zweiten Ebene, … N + N/t + N/t2 + … = N / (1-1/t) (Reihenentwicklung) Je größer t ,desto langsamer das Suchen und Einfügen, desto kleiner aber auch der Platzbedarf. bei t = 2 ergibt sich ein Zeitbedarf von (2 / 2 ld 2) ld N = ld N, und ein Platzbedarf von N / (1 – ½) = 2N Der optimale Wert für den Zeitbedarf ist t = e Bei sinnvoller Wahl von t sind sowohl Raum als auch Zeitbedarf von Skiplisten vergleichbar mit denen von Bäumen – Tatsächlich kann man auch mit Skiplisten Bäume implementieren Aber: die Skiplisten-Implementierung von 2-3-4Bäumen ist etwas weniger optimal als mit Rot-Schwarz Bäumen

201 ! 3.8 Vergleich … N BST BST (Root) BST (Rand) BST (Splay) RBT SL
Laufzeit insert / search / / / / / / 19 / / / / / / 878 Alle Verfahren verwenden die zur Suche die Standardsuche von binären Suchbäumen. Bei Splay-BSTs werden zu suchende Elemente nach oben gebracht Bei Skiplisten wird die Binärsuche zur t-är Suche Alle Verfahren zeigen gute (logarithmische) Laufzeiten Rot-Schwarz Bäume (Red-Black Trees) sind bei zufälligen Suchschlüsseln und bei großen N aber deutlich schneller als alle anderen Verfahren. Die Pfade in RBT sind im Schnitt 35% kürzer als bei random. BSTs oder Splay-BSTs Randomiserte BSTs und Skiplisten benötigen zudem (potentiell) langsame Zufallszahlengeneration beim Einfügen. Splay-BSTs führen eine Rotation pro Knoten beim Einfügen aus ist aber schneller bei nicht zufälligem Suchen. Allgemein: RBT am schnellsten -> Bibliotheksimplementierungen (z.B. Java)

202 ! 3.8 … und Resumée Binäre Suchbäume, auch solche, bei denen Elemente an der Wurzel eingefügt werden, sind für garantiert zufällige Eingabefolgen einfach (und damit fehlerfrei und platzsparend) zu implementieren und für alle Operationen des ADT schnell. Randomisierte binäre Suchbäume haben im wesentliche die gleichen Vorteile wie „Noramle“ Binärbäume, umgehen aber damit das Problem bei nicht zufälligen Eingabefolgen. Sie sind daher in allgemeinen Implementierungen vorzuziehen. Splay-BSTs bieten sehr gute Leistungen als selbstorganisierendes Suchverfahren, insbesondere dann, wenn ein häufiger Zugriff auf wenige Schlüssel typische ist. Skiplisten sind einfach zu verstehen und können logarithmische Suche mit weniger Raumbedarf implememntieren. Rot-Schwarz-Bäume sind der König der Bäume und sehr gut als Standardimplementierung in Bibliotheken geeignet (so auch in Java).

203 ! 4 Zusammenfassung Wir haben uns durch die meisten grundlegenden Strukturen und Verfahren Informatik gearbeitet – auch wenn diese oft in Bibliotheken verborgen sind. Wir haben dabei gesehen, dass es sich oft lohnt, in die Details zu gehen, denn es gibt durchaus Anwendungen, bei denen man sehr genau zwischen den einzelnen Alternativen entscheiden und diese auch umsetzen können muss. Neben inhaltlichem Wissen haben wir in dieser Vorlesung auch methodisches Wissen aufgebaut: Bei allen Überlegungen haben wir immer wieder analytische Betrachtungen zum Laufzeit- und Platzverhalten angestellt und sind so in der Lage, auch die Komplexität von anderen Algorithmen abschätzen zu können. Die Intensive Behandlung von konkreten oft abstrakten objektorientierten Implementierungen haben uns auch weiter in die Implementierung im Allgemeinen geführt Abstrakte Datentypen Sortieren Suchen

204 4.1 Abstrakte Datenstrukturen
! 4.1 Abstrakte Datenstrukturen „Ein abstrakter Datentyp fasst die wesentlichen Eigenschaften und Operationen einer Datenstruktur zusammen, ohne auf deren eigentlichen Realisierung im Rechner einzugehen“ Stacks (Kellerspeicher, Stapel) sind einfache Abstraktionen von Strukturen, die in vielen Bereichen der Informatik, insbesondere aber in den systemnahen Bereichen verwendet werden. Stacks bezeichnet man manchmal auch als LIFO (Last in – First Out)-Schlangen Queues (Warteschlangen) sind lineare Listen, deren Elemente nach dem FIFO-Prinzip (First in–First Out) ein- bzw. ausgefügt werden Auch Queues kommen in systemnahen Bereichen vor, insbesondere bei Betriebssystemen. Listen sind (ziemlich) simple Datentypen, die sich statisch durch den konkreten strukturierten Datentyp „array (Feld)“ darstellen lässt und damit in den meisten Programmiersprachen implizit vorhanden ist. In der nicht-imperativen Programmiersprache LISP ist „Liste“ zudem der einzige strukturierte Datentyp. Möchte man die Länge einer Liste jedoch zur Laufzeit eines Programmes dynamisch verändern so muss man auf eigenen Umsetzungen mithilfe eines ADTs zurückgreifen. Aus bestimmten Gründen – vor allem Laufzeit-Effizienz – verwendet man oft Listen, deren einzelne Elemente nicht nur den jeweiligen Nachfolger, sondern auch den jeweiligen Vorgänger kennen. Diese Listen nennt man das „Zweifach bzw. Doppelt verkettete Listen“ Bäume sind (zumindest) zweidimensionale Strukturen, die viele reale Strukturen abzubilden vermögen und zudem sehr gut zum Durchsuchen geeignet sind. Es gibt daher sehr viele spezielle Arten von Bäumen, von denen hier stellvertretend vor allem die binären Bäume behandelt werden sollen. Graphen sind (oft) die komplexesten Grundstrukturen, mit denen man es bei abstrakten Datentypen zu tun hat (Tatsächlich sind die im vorherigen Unterkapitel behandelten Bäume Spezialfälle von Graphen) Aufgrund des häufigen Einsatzes dieser ADTs gibt es praktisch für jede Programmiersprache entsprechende Bibliotheken.

205 ! 4.2 Sortieren Wir haben in diesem Kapitel einige Sortieralgorithmen kennengelernt. Dabei gibt es für fast jeden Algorithmus Situationen in denen genau dieser Algorithmus vorteilhafter als alle anderen sind. Jeder Algorithmus hat eine grundsätzliche Idee und die meisten Algorithmen können auf verschiedene Arten verbessert werden. Insbesondere lassen sich Sortieralgorithmen auch miteinander kombinieren. Da es DEN Sortieralgorithmus offenbar nicht gibt, ist die Verwendung eines „vorgefertigten“ Algorithmuse‘ in einer Bibliothek (z.B. dem aus java.util) mit Vorsicht zu genießen. Er passt zwar in den allermeisten Fällen sehr gut, aber eben nicht in allen. In manchen Fällen führt er sogar zu Verletzungen harter Rahmenbedingungen. Elementarer Algorithmen Fortgeschrittener Algorithmen Vergleich aller Sortieralgorithmen

206 4.2.1 Elementare Algorithmen
! 4.2.1 Elementare Algorithmen Selection Sort wird (trotz schlechten Aufwandes) eingesetzt für das Sortieren von Daten mit großen Elementen mit jeweils kleinen Schlüsseln: … bei diesen Daten sind die Kosten für den Vergleich sehr viel kleiner als die Kosten für die Umordnung. Der Aufwand für die Umordnungen ist beim Selection sort mit O(n) kleiner als in den meisten anderen Verfahren. Der Insertion Sort wird eingesetzt, wenn es auf einen stabilen Algorithmus ankommt … … und die Daten stark vorsortiert sind (da er adaptiv ist) … oder die Problemgröße klein ist (da er kompakt ist, also wenig „Overhead“ hat) … und für den „Cut-Off“-Teil eines fortgeschrittenen Sortieralgorithmuses Der Shell Sort ist adaptiv, einfach zu implementieren und hat ein besseres Komplexitätsverhalten als O(n2). Daher wird er bei nicht zu umfangreichen Daten eingesetzt. Der Bubblesort ist eigentlich nie zu empfehlen Der Indexsort ist der schnellste Sortieralgorithmus. … aber nur auf solche Daten anwendbar, bei denen der Bereich unterscheidbarer Schlüsselwerte innerhalb eines konstanten Faktors der Datengröße bleibt . Ist die Hashfunktion nichttrivial, so wird der Vorteil des Verfahrens durch einen hohen konstanten Multiplikationsfaktor im Aufwand, selbst für große n, aufgefressen. Bei großen n ist die Platzkomplexität ein Problem.

207 4.2.2 Fortgeschrittene Algorithmen
! 4.2.2 Fortgeschrittene Algorithmen Der Heapsort ist gut geeignet die k-kleinsten Elemente zu finden, denn dann kann man die Ausleseschleife nach k bereits verlassen. Der Heapsort ist im Mittel der schnellste bekannte in-situ Algorithmus Der Mergesort ist stabil, hat ein besseres Komplexitätsverhalten als O(n2). und garantiert auch im schlechtesten Fall eine Zeitkomplexität von O(n log n). wegen dieser Garantie wird der Mergesort in vielen Bibliotheken verwendet. Auch Java.util.array verwendet für sort auf object den Mergesort (für andere Typen, z.B. int wird ein – wahrscheinlich – 3-Wege-Quicksort verwendet). Dabei garantiert die Java Runtime Environment nicht den verwendeten Algorithmus, sondern nur die Stabilität des Sortieralgorithmus‘. Die Entscheidung zwischen Merge- und Heapsort ist eine Entscheidung zwischen einem stabilen nicht-In-situ (Mergesort) und einem nicht-stabilen In-situ-Algorithmus. Der Quicksort ist ein idealer Allrounder: obwohl er nicht in-situ ist, eignet er sich auch für eingebettete Systeme, denn der Platzverbrauch von O(log n) ist meist auch dafür o.k. obwohl er nicht stabil ist, so gibt es doch viele Anwendungsfälle, bei denen es nicht darauf ankommt, z.B. wenn die zu sortierenden Datentypen einfach sind. obwohl der maximale Aufwand quadratisch ist, so ist dieser Fall, insb. bei Verwendung eines Median-Verfahrens sehr unwahrscheinlich.

208 ! 4.2.3 Vergleich Select. Insert. Shell Bubble Index Heap Merge Quick Quick-3 min ■ ■ ■ ■ ■ ■ ■ ■ ■ average ■ ■ ■ ■ ■ ■ ■ ■ ■ max ■ ■ ■ ■ ■ ■ ■ ■ ■ Adaptiv ■ ■ ■ ■ ■ ■ ■ ■ ■ In-situ ■ ■ ■ ■ ■ ■ ■ ■ ■ Stabil ■ ■ ■ ■ ■ ■ ■ ■ ■ Soll man sich für einen Algorithmus entscheiden, so überprüft man zunächst die „harten“ Kriterien: In-Situ, Stabilität, akzeptabler Maximalaufwand Benötigt man In-Situ, scheiden Index- und Mergesort aus. Beim Quicksort ist zu überlegen, ob O(log n) o,k ist, was meist der Fall sein wird. Benötigt man Stabilität, scheiden Select, Shell, Heap und Quicksort aus Select, Insert und Bubble scheiden eigentlich sofort aus. Muss der schlechteste Fall garantiert zumindest gut sein, scheidet zusätzlich der Quicksort aus. Dann entscheidet die durchschnittliche Geschwindigkeit Indexsort: bei vorhandener und guter Hashfunktion Quicksort Merge- und Heapsort, Shellsort

209 ! 4.3 Suchen Sedgewick: „Das Abrufen bestimmter Informationseinheiten aus größeren vorher gespeicherten Datenbeständen ist eine fundamentale Operation, die man als Suchen bezeichnet“. ADT Symboltabelle Symboltabelle als lineare Struktur Bäume Binäre Suchbäume Randomisierte BSTs Splay BSTs Rot-Schwarz-Bäume Skiplisten

210 ! 4.3.1 lineare Strukturen insert(max) insert () search(max) search () select Indizierte Suche IndexArray O(1) O(1) O(1) O(1) O(1) Sequenzielle Suche SortedArray O(n) O(n/2) O(n) O(n/2) O(1) SortedList O(n) O(n/2) O(n) O(n/2) O(n) UnsortedArray O(1) O(1) O(n) O(n/2) O(n log(n))* UnsortedList O(1) O(1) O(n) O(n/2) O(n log(n))* Binäre Suche SortedArray O(n) O(n/2) O(n) O(log(n)) * z.B. mit dem Heapsort (k-faches heapifien)

211 ! 4.3.2 Bäume Binäre Suchbäume, auch solche, bei denen Elemente an der Wurzel eingefügt werden, sind für garantiert zufällige Eingabefolgen einfach (und damit fehlerfrei und platzsparend) zu implementieren und für alle Operationen des ADT schnell. Randomisierte binäre Suchbäume haben im wesentliche die gleichen Vorteile wie „Noramle“ Binärbäume, umgehen aber damit das Problem bei nicht zufälligen Eingabefolgen. Sie sind daher in allgemeinen Implementierungen vorzuziehen. Splay-BSTs bieten sehr gute Leistungen als selbstorganisierendes Suchverfahren, insbesondere dann, wenn ein häufiger Zugriff auf wenige Schlüssel typische ist. Skiplisten sind einfach zu verstehen und können logarithmische Suche mit weniger Raumbedarf implememntieren. Rot-Schwarz-Bäume sind der König der Bäume und sehr gut als Standardimplementierung in Bibliotheken geeignet (so auch in Java).

212 Beispielklausur Bitte beachten Sie, dass diese Beispielklausur in keinster Weise Anspruch auf Vollständigkeit erhebt. Grundsätzlich sind alle in der Vorlesung besprochenen Inhalte prüfungsrelevant, wobei sicherlich Schwerpunkte auf den mit einem Ausrufezeichen versehenen Folien liegen. Die Klausur ist auf 90 Minuten konzipiert, wobei sich zeitliche Verschiebungen durch die Erklärung der Lösung auf der einen Seite und durch die Präsentation der Lösung auf Folie auf der anderen Seite ergeben. In der Klausur sind keine Hilfsmittel zugelassen.

213 Aufgaben Die Klausur wird aus drei Aufgaben, aus jeweils einem der drei inhaltlichen Kapiteln bestehen, wobei jede Aufgabe nochmals in Teilaufgaben gegliedert ist.

214 Aufgabe 1: Abstrakte Datentypen
Geben Sie die Schnittstelle des abstrakten Datentyps „List (Liste)“ mit Hilfe seiner Signatur an. Beschreiben Sie dabei mindestens 3 Operatoren (als Signatur) und 3 Axiome Verwenden Sie die Notation aus der Vorlesung Erläutern Sie, was „Kollision“ in Hashlisten bedeutet und wie diese behandelt werden können. Repräsentieren Sie folgenden Graphen als Adjazenzmatrix 75 22 1 4 5 2 3 6 25 24 20 64 30

215 Aufgabe 2: Sortieren Erläutern Sie anhand der Graphik, weshalb O(f(n)) = g(n) ist SelectionSort Beschreiben Sie die Idee des SelectionSort. Sortieren Sie die Wertefolge mit dem „Selection Sort“, bis die ersten drei Elemente sortiert sind. Notieren Sie dabei jeweils eine Zeile pro Vertauschung. Welche Eigenschaften und welche worstcase-Zeitkomplexität hat der Selektion-Sort? Geben Sie für die Wertefolge einen Binärbaum an, der zur Priority-Queue (Prioritätswarteschlange) führt. Sortieren Sie die Wertefolge mit dem Mergesort. Geben Sie dabei in jeweils einer Zeile die Teilfolgen an, die Sie sortieren bzw. mergen (mit der Angabe ob Sie sortieren oder mergen) Beschreiben Sie kurz die 4 Schritte bei der Partitionierung im QuickSort Laufzeit Problemgröße g(n) f(n) cf(n) no

216 Aufgabe 3: Suchen Welchen maximalen Suchaufwand hat die „Indizierte Suche“, die „Sequenzielle Suche“ und die „Binäre Suche“ auf einem Array Gegeben ist folgender binärer Suchbaum:. Fügen Sie den Wert 4 an der Wurzel ein. Zeichnen Sie dabei den Baum vor und nach den Rotationen, sowie die Rotationsrichtungen. Dieser Baum ist inkonsistent. Zeigen Sie wo und erklären Sie die Inkonsistenz. Ändern Sie einen Wert, so das der Baum konsistent wird. Stellen Sie diesen Baum als Rot-Schwarz-Baum dar, lösen Sie den 4-Knoten im Rot-Schwarz-Baum auf und stellen Sie das Ergebnis wieder als Baum dar. Zeichnen Sie die Zwischenschritte vor und nach Rotation und bzw. Farbänderung. 13 3 2 25 9 15,21,26 13 17 24 28,30 3 14 18,20,22 25 27 29 32 2, 9 3,5,7,

217 Lösungen Die Lösungen sind hier auf jeweils einer Folie angegeben.
Beachten Sie während der Klausur auch Zwischenergebnisse zu notieren, denn nur so können Sie auch Punkte bei fehlerhaftem Endergebnis bekommen.

218 Aufgabe 1: Abstrakte Datentypen
Geben Sie die Schnittstelle des abstrakten Datentyps „List (Liste)“ mit Hilfe seiner Signatur an. Beschreiben Sie dabei mindestens 3 Operatoren (als Signatur) und 3 Axiome Verwenden Sie die Notation aus der Vorlesung type: list(T) // T ist die Wertemenge der Elemente // T ist ein sog. Sortenparameter import: integer operators: [] :  list _ : _ : T x list  list // erweitert Liste // _ : _ ist Infix-Operator head : list  T // Kopf der Liste tail : list  list // Liste ohne Kopf length : list  integer // Anzahl Listenelemente axioms:  l : list,  x : T head ( x : l ) = x tail ( x : l ) = l lenght ( [] ) = 0 // [] ist leere Liste length ( x : l ) = successor ( length (l) )

219 Aufgabe 1: Abstrakte Datentypen
Erläutern Sie, was „Kollision“ in Hashlisten bedeutet und wie diese behandelt werden können. Führt die Hashfunktion für unterschiedlich Werte des Urbildes auf gleiche Hashwerte, so spricht man von Kollision, die man z.B. mit folgenden Verfahren behandeln kann: Verkettung der Überläufer: Man erweitert die eindimensionale Listenstruktur der Hashliste um eine zweite Dimension (z.B. durch eine einfach verkettete Liste), in die man die kollidierenden Werte ablegt Sondieren: Man legt den kollidierenden Wert an ein andere Stelle in der Hashliste ab, die sich durch die Berechnung eines Offsets ergeben: beim linearen Sondieren wird die nächste freie Position verwendet. (also als Offset die Werte 1,2,3,4, …) beim quadratischen Sondieren ergibt sich der mögliche Offset durch die Quadratzahlen (also 1,4,9,16,25, …). Dadurch wir d die „Klumpenbildung“, zu der das lineare Sondieren neigt, vermieden.

220 Aufgabe 1: Abstrakte Datentypen
Repräsentieren Sie folgenden Graphen als Adjazenzmatrix 75 22 1 4 5 2 3 6 25 24 20 64 30 Adjazenzmatrix

221 Aufgabe 2: Sortieren Erläutern Sie anhand der Graphik, weshalb O(f(n)) = g(n) ist Laufzeit Problemgröße g(n) f(n) cf(n) no g(n)  cf(n), für alle n  no Definition: Eine Funktion g(n) wird O(f(n)) genannt, falls es Konstanten c und n0 gibt, so dass: g(n)  cf(n), für fast alle n  no ist Das ist hier der Fall, denn g(n) ist für alle Wert größer n0 (rechts von n0) kleiner als (unterhalb von) c x f(n)

222 Aufgabe 2: Sortieren SelectionSort
Beschreiben Sie die Idee des SelectionSort. Sortieren Sie diese Wertefolge mit dem „Selection Sort“, bis die ersten drei Elemente sortiert sind. Notieren Sie dabei jeweils eine Zeile pro Vertauschung. Welche Eigenschaften und welche Zeitkomplexität (worst case) hat der Selektion-Sort ? Idee: Suche das kleinste Element (z.B. einer Liste) und tausche es mit dem Element an der ersten Position. Betrachte dann den Rest der Liste und gehe ebenso vor. Eigenschaften: stabil, Nicht adaptiv, Zeitkomplexität: O(n2)

223 Aufgabe 2: Sortieren Geben Sie für die Wertefolge den Binärbaum an, der zur Priority-Queue (Prioritätswarteschlange) führt: Bei der Binärbaumdarstellung einer Priority-Queue müssen alle Werte in Unterbäumen kleiner/größer sein als die jeweiligen Wurzeln:

224 Aufgabe 2: Sortieren Sortieren Sie die Wertefolge mit dem Mergesort. Geben Sie dabei in jeweils einer Zeile die Teilfolgen an, die Sie sortieren bzw. mergen (mit der Angabe ob Sie sortieren oder mergen) // sort // sort // merge // sort // sort // merge // merge // sort // sort // merge // merge

225 Aufgabe 2: Sortieren Beschreiben Sie kurz die 4 Schritte bei der Partitionierung im QuickSort Wir wählen mit v ein beliebiges Trennelement (Pivot-Element) . Also z.B. das Element ganz rechts Wir suchen dann von links ein Element das größer als das Trennelement und von rechts ein Element das kleiner als das Trennelement ist. Diese beiden Elemente sind offenbar falsch und werden durch Tauschen korrigiert. Wir wiederholen das Ganze bis sich der linke und der rechte Laufindex kreuzen. Dann muss nur noch das Pivot-Element mit dem linkesten Element des rechten Teils getauscht werden. Damit ist das Pivot-Element am richtigen Platz

226 Aufgabe 3: Suchen Welchen maximalen Suchaufwand hat die „Indizierte Suche“, die „Sequenzielle Suche“ und die „Binäre Suche“ auf einem Array insert(max) insert () search(max) search () select Indizierte Suche IndexArray O(1) O(1) O(1) O(1) O(1) Sequenzielle Suche SortedArray O(n) O(n/2) O(n) O(n/2) O(1) SortedList O(n) O(n/2) O(n) O(n/2) O(n) UnsortedArray O(1) O(1) O(n) O(n/2) O(n log(n))* UnsortedList O(1) O(1) O(n) O(n/2) O(n log(n))* Binäre Suche SortedArray O(n) O(n/2) O(n) O(log(n))

227 Aufgabe 3: Suchen Gegeben ist folgender binärer Suchbaum:
Fügen Sie den Wert 4 an der Wurzel ein. Zeichnen Sie dabei den Baum vor und nach den Rotationen, sowie die Rotationsrichtungen. 13 3 2 25 9 13 3 2 25 9 4 13 3 2 25 4 9 13 4 3 25 9 2 4 3 2 13 9 25

228 Aufgabe 3: Suchen Dieser Baum ist inkonsistent. Zeigen Sie wo und erklären Sie die Inkonsistenz. Ändern Sie einen Wert, so das der Baum konsistent wird. 27 15,21,26 13 28,30 32 3 29 18,20,22 17 24 25 14 Alle Werte im zweiten Teilbaum der Wurzel müssen zwischen 15 und 21 liegen. Der markierte Wert (22) im Blatt ist aber größer. Ändert man den Intervallwert von 21 auf z.B. 23 ist der Baum korrekt 27 15,21,26 13 28,30 32 3 29 18,20,22 17 24 25 14 23

229 Aufgabe 3: Suchen Stellen Sie diesen Baum als Rot-Schwarz-Baum dar, lösen Sie den 4-Knoten im Rot-Schwarz-Baum auf und stellen Sie das Ergebnis wieder als Baum dar. Zeichnen Sie die Zwischenschritte vor und nach Rotation und bzw. Farbänderung. 2, 9 3,5,7, 2 9 7 3 5 2 9 7 3 5 5 9 3 2 7 2 5 3 9 7 2,5,9 3 7


Herunterladen ppt "Algorithmen & Datenstrukturen"

Ähnliche Präsentationen


Google-Anzeigen