Como o QuickSort Merge Sort é um algoritmo Divide and Conquer divide matriz de entrada em duas metades, chama-se para as duas metades e, em seguida, mescla as duas metades classificadas A função de mesclagem é usada para mesclar duas metades A mesclagem arr, l, m, r é Chave que pressupõe que arr lm e arr m 1 r são classificados e mescla os dois sub-arrays ordenados em um Veja a implementação C seguinte para detalhes. O diagrama a seguir da wikipedia mostra o processo de ordenação de merge completo para um array de exemplo Se tomarmos um Uma vez que o tamanho torna-se 1, os processos de mesclagem entra em ação e começa a mesclar matrizes até que a matriz completa seja mesclada. Time Complexity Sorting Arrays em diferentes máquinas Merge Sort é um algoritmo recursivo e complexidade de tempo pode ser expressa como a seguinte relação de recorrência T n 2T n 2 A recorrência acima pode ser resolvido usando o método Recurrence Tree ou Master m Ethod Cai no caso II do Método Mestre ea solução da recorrência é Time complexidade de Merge Sort é em todos os 3 casos pior, média e melhor como merge sort sempre divide a matriz em duas metades e leva tempo linear para mesclar duas metades. Algorithmic Paradigm Divide e Conquer. Sorting In Place Não em uma implementação típica. Aplicações de Merge Sort. Merge Sort é útil para classificar listas ligadas em O nLogn tempo caso de listas ligadas o caso é diferente principalmente devido à diferença na alocação de memória de matrizes e vinculado Ao contrário das matrizes, na lista vinculada, podemos inserir itens no meio em O 1 espaço extra e tempo O 1 Portanto, a operação de mesclagem de merge sort pode ser implementada sem espaço extra para vinculados Lists. In arrays, podemos fazer o acesso aleatório como elementos são contínuos na memória Digamos que temos um inteiro de 4 bytes matriz A e deixar o endereço de A 0 ser x, em seguida, para acessar A i, podemos acessar diretamente a memória em X I 4 Ao contrário de arrays, não podemos fazer acesso aleatório na lista vinculada Quick Sort requer um monte de este tipo de acesso Na lista vinculada para acessar o índice i th, temos que viajar cada nó da cabeça para i th nó como nós Don t tem contínuo bloco de memória Portanto, a sobrecarga aumenta para triagem rápida ordenação de sortes acessa dados sequencialmente ea necessidade de acesso aleatório é low. Inversion Count Problem. Used em Sorting. Given externa que inteiros são lidos de um fluxo de dados Encontrar mediana de Elementos lidos até agora de forma eficiente. Resolução que eu li Podemos usar um heap máximo no lado esquerdo para representar elementos que são menos do que a mediana efetiva e um heap min no lado direito para representar elementos que são maiores do que a mediana efetiva. Depois de processar um elemento de entrada, o número de elementos em heaps diferem no máximo por 1 elemento Quando ambos os heaps contêm o mesmo número de elementos, encontramos a média dos dados raiz do heap como mediana efetiva Quando os heaps não são balanceados, E mediana efetiva da raiz do heap que contem mais elements. But como nós construiríamos um heap máximo e um heap min. Isto é como nós saberíamos a mediana eficaz aqui eu penso que nós inseriríamos um elemento no max-heap e então o 1 elemento seguinte Em min-heap, e assim por diante para todos os elementos Corrija-me Se eu estiver errado here. asked Maio 18 12 em 17 56.marked como duplicado por MAK Frank van Puffelen Sapato Maerlyn Mark Jan 6 13 às 17 13. Esta questão foi Perguntado antes e já tem uma resposta Se essas respostas não abordar totalmente a sua pergunta, por favor, faça uma nova pergunta. Algoritmo Clever, usando pilhas Do título eu não poderia imediatamente pensar em uma solução Mooing Duck 18 de maio 18 em 18 41.vizier s Solução parece bom para mim, exceto que eu estava assumindo embora você não afirmou que este fluxo poderia ser arbitrariamente longo, então você couldn t manter tudo na memória É esse o caso Running Wild Maio 18 12 em 19 04. RunningWild Para arbitrariamente longos córregos , Você poderia obter a mediana dos últimos N elementos b Y usando Fibonacci pilhas para que você obtenha log N apaga e armazenar ponteiros para elementos inseridos em ordem em deca ega, em seguida, removendo o elemento mais antigo em cada etapa uma vez que os montões estão cheios talvez também mover as coisas de um heap para o outro Você poderia obter um pouco melhor Do que N armazenando os números de elementos repetidos se houver muitas repetições, mas em geral, eu acho que você tem que fazer algum tipo de suposições distributional se você quiser a mediana de todo o fluxo Dougal May 18 12 at 19 37. Você pode Começar com ambos os heaps vazio Primeiro int vai em um heap segundo vai quer no outro, ou você move o primeiro item para o outro heap e, em seguida, inserir Este generaliza para não permitir que um heap para ir maior do que o outro 1 e nenhum inválido É necessário o valor da raiz de um heap vazio pode ser definido como 0 Jon Watte 21 de maio 12 em 22 06.If você pode t segurar todos os itens na memória de uma vez, este problema torna-se muito mais difícil A solução heap requer que você mantenha todos os Elementos na memória de uma vez Isso não é possível na maioria das aplicações do mundo real deste problema. Em vez disso, como você vê os números, manter o controle da contagem do número de vezes que você vê cada número inteiro assumindo 4 inteiros byte, que s 2 32 baldes, ou no máximo 2 33 Inteiros e contagem para cada int, que é de 2 35 bytes ou 32GB Provavelmente será muito menor do que isso porque você don t necessidade de armazenar a chave ou contagem para as entradas que são 0 ie como um defaultdict em python Isso leva tempo constante Para inserir cada novo integer. Then em qualquer ponto, para encontrar a mediana, basta usar as contagens para determinar qual inteiro é o elemento médio Isso leva tempo constante, embora uma constante grande, mas constante, no entanto. Algoritmo é direto para implementar e funciona muito bem É uma estimativa, no entanto, para manter isso em mente A partir do resumo. Um algoritmo heurístico é proposto para o cálculo dinâmico qf a mediana e outros quantiles As estimativas são produzidas dinamicamente como as observações são Gerado As observações não são armazenadas, portanto, o algoritmo tem uma exigência de armazenamento muito pequena e fixa, independentemente do número de observações Isso o torna ideal para a implementação em um chip quantil que pode ser usado em controladores industriais e gravadores O algoritmo é ainda mais estendido para histograma Plotting A precisão do algoritmo é analisada. Respondida May 21 12 at 23 14.Count-Min Sketch é melhor do que P 2 em que também dá erro vinculado enquanto o último não sinoTrinity 25 de fevereiro de 15 às 17 29. Considere também Space - Computação em linha eficiente de sumários de Quantile por Greenwald e Khanna, que igualmente dá limites do erro e tem bons requisitos da memória Paul Chernoch agosto 14 15 em 14 19.This problema tem uma solução exata que necessite somente os elementos n os mais recentemente vistos a ser mantidos na memória É rápido e escalas well. An skiplist indexable suporta O ln n inserção, remoção e pesquisa indexada de elementos arbitrários, mantendo ordem ordenada Quando acoplado com um FIFO Fila que rastreia a n-ésima entrada mais antiga, a solução é simples. Aqui estão links para completar o código de trabalho uma versão de classe fácil de entender e uma versão de gerador otimizada com o código de skiplist indexável inlined. Efficient é uma palavra que depende do contexto A solução para este problema depende da quantidade de consultas realizadas em relação à quantidade de inserções Suponha que você está inserindo N números e K vezes no final você estava interessado na mediana A complexidade do algoritmo baseado em heap seria ON log N K. Consider A seguinte alternativa Plunk os números em uma matriz, e para cada consulta, execute o algoritmo de seleção linear usando o pivô quicksort, diga Agora você tem um algoritmo com tempo de execução OK N. Now se K é suficientemente pequeno consultas pouco frequentes, o último algoritmo é Realmente mais eficiente e vice-versa. Can t você fazer isso com apenas um heap Update não Veja o comment. Invariant Depois de ler 2 entradas n, o min-heap detém o n maior deles. Loop Read 2 inpu St Adicione os dois ao heap e remova o heap s min Isso restabelece o invariant. Assim, quando 2n entradas foram lidas, o heap s min é o nth maior Deve haver uma pequena complicação extra para a média dos dois elementos ao redor A posição mediana e lidar com consultas após um número ímpar de inputs. Average de um fluxo de números. Difficulty Nível Rookie Dado um fluxo de números, impressão média ou média do fluxo em cada ponto Por exemplo, vamos considerar o fluxo como 10 , 20, 30, 40, 50, 60.Para imprimir média de um fluxo, precisamos descobrir como encontrar a média quando um novo número está sendo adicionado ao fluxo Para fazer isso, tudo o que precisamos é contagem de números vistos assim Longe no fluxo, média anterior e novo número Seja n a contagem, prevavg seja a média anterior e x seja o novo número adicionado A média depois de incluir o número x pode ser escrita como prevavg nxn 1.A função acima getAvg pode ser otimizada Usando as seguintes alterações Podemos evitar o uso de prevavg e número de Elementos usando variáveis estáticas Assumindo que somente esta função é chamada para a média de fluxo A seguir está a versão oprimnized. Thanks a Abhijeet Deshpande para sugerir esta versão otimizada. Por favor, escreva comentários se você encontrar qualquer coisa incorreta, ou você quer compartilhar mais informações sobre o Tópico discutido acima. Código de escrita em comentário Por favor, use gerar link e compartilhar o link here. Load Comentários Compartilhe este post.
No comments:
Post a Comment