Vorlesung Informatik 2 Algorithmen und Datenstrukturen (03 – Verschiedene Algorithmen für dasselbe Problem)Prof. Dr. Th. Ottmann
Vorlesung Informatik 2 Algorithmen und Datenstrukturen (03 – Verschiedene Algorithmen für dasselbe Problem)
Prof. Dr. Th. Ottmann
Das Maximum-Subarray Problem
Das Maximum-Subarray Problem:
Gegeben: Folge X von n ganzen Zahlen im Array
Gesucht: Maximale Summe einer zusammenhängenden Teilfolge von X und deren Index-Grenzen
Beispiel:
31 -41 59 26 -53 58 97 -93 -23 84
Das ist hier maximal
Frage: Wie findet man die maximale Teilfolge — möglichst effizient?
Naive Lösung des Maximum-Subarray Problems
public static Integer3 maxSubArrayBF (int[] a) { Integer3 result = new Integer3 (); for (int u=0; u < a.length; u++) for (int o=u; o < a.length; o++) { int summe=0; for (int i=u; i <= o; i++) summe += a[i]; if (result.sum < summe) result.set (u, o, summe); } return result; } //maxSubArrayBF für jede obere Grenze o{1, …, n} für jede untere Grenze u{1, …,n} berechne X[u] + X[u+1] + … + X[o]
und bestimme dabei das Maximum aller dieser Werte
Die halb-naive Lösung
für jede obere Grenze o {1, …, n}
für jede untere Grenze u {1, …, o}
berechne X[u] + X[u+1] + … + X[o]
(Dies kann inkrementell aus dem vorhergehenden Wert bestimmt werden) public static Integer3 maxSubArraySBF (int[] a) { Integer3 result = new Integer3 (); for (int u=0; u < a.length; u++){ int summe=0; for (int o =u; o < a.length; o++){
summe += a[o]; if (result.sum < summe) result.set (u, o, summe); } return result; } //maxSubArraySBF
Divide and Conquer Lösung (1)
Divide and Conquer Lösung (2)
max(A) max(B) rmax(A) lmax(B) A C B
Der Divide-and-Conquer Ansatz:
1. Kleine Probleme werden direkt gelöst: falls n = 0: Max = 0 falls n = 1 und X[1] < 0: Max = 0 sonst: Max = X[1]
2. (Divide) Größere Probleme werden aufgeteilt (hier in 2 etwa gleich große Teile): 3. (Conquer) Für die Teile kann dasselbe Problem mit demselben Verfahren rekursiv gelöst werden: Das maximale Subarray steckt (a) ganz in A oder (b) ganz in B oder (c) es besteht aus Randmaxima in A und B
4. (Merge) Die Gesamt-Lösung ergibt sich aus den Teil-Lösungen: Der maximale Wert ergibt sich hier als max aus (a), (b), (c)
Divide and Conquer Lösung (3)
public static Integer3 maxSubArrayDC (int[] a, int l, int u) { if (l == u) { // Kleines Problem if (a[u] <= 0) return new Integer3 (u+1, l-1, 0); else return new Integer3 (l, u, a[u]); } int m = (l+u) >> 1; // Divide Integer3 A = maxSubArrayDC (a, l, m); // Conquer Integer3 B = maxSubArrayDC (a, m+1, u); Integer3 C = join (rmax (a, l, m), lmax (a, m+1, u)); if (A.sum >= B.sum) // Merge if (A.sum >= C.sum) return A; else return C; else if (C.sum >= B.sum) return C; else return B; } Der Divide-and-Conquer Ansatz:
Divide and Conquer Lösung (4)
// berechnet maximale Summe am rechten Rand
public static Integer3 rmax (int[] a, int l, int u) {
Integer3 ergebnis = new Integer3 (u+1, u, 0);
for (int summe=0, i = u; i >= l; i--) {
summe += a [i];
if (summe > ergebnis.sum) ergebnis.set (i, u, summe);
}
return ergebnis;
// verbindet rechtes und linkes Randmaximum aus A und B
public static Integer3 join (Integer3 l, Integer3 r) {
return new Integer3 (l.lower, r.upper, l.sum + r.sum);
} Der Divide-and-Conquer Ansatz:
Berechnung der Randmaxima
// berechnet maximale Summe am rechten Rand
public static Integer3 rmax (int[] a, int l, int u) {
Integer3 ergebnis = new Integer3 (u+1, u, 0);
for (int summe=0, i = u; i >= l; i--) {
summe += a [i];
if (summe > ergebnis.sum) ergebnis.set (i, u, summe);
}
return ergebnis;
Analyse der Divide and Conquer Lösung
Sei T(n) = # Schritte zur Lösung des Maximum-Subarry Problems für ein Array der Länge n.
T(1) ≤ a
T(n) ≤ 2 T(n/2) + b n
Dieses Rekursionsgleichungssystem hat eine geschlossene Lösung:
T(n) ≤ a n + b n log2n O(n log2n)
Lösen von Rekursionsgleichungen
Wie findet man Lösungen für die bei der Analyse rekursiver Programme
auftretenden Rekursionsgleichungen?
Iterative Substitutionsmethode:
Beispiel: T(1) = 1 , T(2n) = 2T(n) + 2n hat die Lösung T(n) = n+n log n
Lösen von Rekursionsgleichungen
2. Lösung raten und per Induktion beweisen:
Beispiel: T(1) = 1 , T(2n) = 2T(n) + 2n hat die Lösung T(n) = n+n log n
Lösen von Rekursionsgleichungen
3. Verwenden von Computeralgebra-Programmen:
Beispiel (Maple):
rsolve ({T(1)=1, T(2*n)=2*T(n)+(2*n)^2*b},T);
liefert: n + 2n2b –2nb also: T(n) = O(n2).
Lösen von Rekursionsgleichungen
4. Anwenden des Master-Theorems:
Seien a ≥ 1 und b > 1 konstant und sei f(n) eine reell-wertige Funktion mit
positiven Werten für n ≥ d. Sei T(n) definiert durch die Rekursionsformel
T(n) = c ; falls n < d
T(n) = aT(n/b) + f(n) ; sonst
Dann gilt:
Das Maximum-Subarray Problem Scan-Line Ansatz
Der Scan-Line Ansatz:
scanMax = 0;
bisMax = 0;
für i von 1 bis n:
scanMax += X[i]
falls (scanMax < 0) scanMax = 0;
bisMax = max(scanMax, bisMax);
max = bisMax;
T(n) ≤ a n + b O(n)
Die Lösung des Maximum-Subarray Problems erfordert einen Aufwand
in Θ(n). (Jedes Element muss mindestens einmal betrachtet werden)
Das Maximum-Subarray Problem
Comments