Insiemi disgiunti.

Slides:



Advertisements
Presentazioni simili
Strutture dati per insiemi disgiunti
Advertisements

Insiemi disgiunti.
Algoritmi e Strutture Dati
Sottoinsiemi disgiunti
Strutture dati per insiemi disgiunti
Per valutare la complessità ammortizzata scomponiamo ogni Union: nelle due FindSet e nella Link che la costituiscono e valuteremo la complessità in funzione.
Alberi di copertura minimi. Dato un grafo pesato G = (V,E), si richiede di trovare un albero T = (V,E’), E’  E, tale che la somma dei pesi associati.
Capitolo 9 Il problema della gestione di insiemi disgiunti (Union-find) Algoritmi e Strutture Dati.
AlgoLab - Insiemi disgiunti Insiemi disgiunti Laboratorio di Algoritmi 02/03 Prof. Ugo de’ Liguoro.
Heap di Fibonacci.
Strutture dati per insiemi disgiunti Alberi di copertura minimi
Capitolo 9 Union-find Algoritmi e Strutture Dati.
Capitolo 9 Il problema della gestione di insiemi disgiunti (Union-find) Algoritmi e Strutture Dati.
Prof.ssa Rossella Petreschi Lezione del 29/10/2012 del Corso di Algoritmi e Strutture Dati Riferimenti: Capitolo 19 del testo Cormen, Leiserson, Rivest,
Prog21 Alberi binari (radicati e ordinati) Il figlio destro della radice La radice Il figlio sinistro della radice Il padre del nodo 5.
Fondamenti di Informatica A - Massimo Bertozzi ALBERI E ALBERI BINARI DI RICERCA (BST)
Huffman Canonico: approfondimento. Come abbiamo visto, Huffman canonico ci permette di ottenere una decompressione più veloce e con un uso più efficiente.
Minimum Spanning Tree Moreno Marzolla
Code con priorità Moreno Marzolla Dip. di Scienze dell'Informazione Università di Bologna
Union-Find Moreno Marzolla Dip. di Scienze dell'Informazione Università di Bologna
Prof.ssa Rossella Petreschi Lezione del 29 /10/2014 del Corso di Algoritmica Lezione n°8.
Algoritmi Avanzati a.a.2013/2014 Prof.ssa Rossella Petreschi Somme prefisse Lezione n°2.
Algoritmi e Strutture dati a.a.2010/2011 Prof.ssa Rossella Petreschi
Progettare algoritmi veloci usando strutture dati efficienti
Inserzione e Cancellazione
Progettare algoritmi veloci usando strutture dati efficienti
Alberi di ricerca di altezza logaritmica
Analisi di sequenze di operazioni Union-Find
Lezione n°7 Prof.ssa Rossella Petreschi
La funzione Path e le forme a cespuglio
Alberi binari Definizione Sottoalberi Padre, figli
Algoritmi Avanzati a.a.2014/2015 Prof.ssa Rossella Petreschi
Lezione n°15 Prof.ssa Rossella Petreschi
Correzione 1° Esonero Lezione n°13
B-alberi e alberi autoaggiustanti
Algoritmi e Strutture Dati
Complessità ammortizzata degli algoritmi Union Find
La gestione degli insiemi disgiunti
Algoritmi Avanzati Prof.ssa Rossella Petreschi
Algoritmi Avanzati a.a.2011/2012 Prof.ssa Rossella Petreschi
Algoritmi Avanzati Prof.ssa Rossella Petreschi
Usi (meno scontati) della visita DFS
Algoritmi e Strutture dati a.a.2010/2011 Prof.ssa Rossella Petreschi
Lezione n°4 Prof.ssa Rossella Petreschi
Paths, tree and flowers Lezione n°14
K4 è planare? E K3,3 e K5 sono planari? Sì!
Algoritmi e Strutture Dati
Lezione n°11 Prof.ssa Rossella Petreschi
UNION FIND Lezione n°8 Prof.ssa Rossella Petreschi
Algoritmi e Strutture Dati
Algoritmi e Strutture Dati
Algoritmi e Strutture Dati
Lezione n°6 Prof.ssa Rossella Petreschi
Introduzione agli Algoritmi e alle Strutture Dati
Schema generale, visita in ampiezza e profondità.
Algoritmi e Strutture Dati
Algoritmi e Strutture Dati
Algoritmi Avanzati a.a.2011/2012 Prof.ssa Rossella Petreschi
Usi (meno scontati) della visita DFS
Progettare algoritmi veloci usando strutture dati efficienti
Estensione di strutture dati e
Algoritmi e Strutture Dati
Alberi di ricerca Lezione n°4
APPUNTI SUL LINGUAGGIO C Alberi Binari – primi esercizi
Esercizio Dato un albero binario, definiamo altezza minimale di un nodo v la minima distanza di v da una delle foglie del suo sottoalbero, definiamo invece.
Algoritmi e Strutture dati a.a.2010/2011 Prof.ssa Rossella Petreschi
Lezione n°7 Splay-Trees e Heaps Prof.ssa Rossella Petreschi
Algoritmi e Strutture Dati
Unione per ranghi compressi
HeapSort Stesso approccio incrementale del selectionSort Tipo di dato
Transcript della presentazione:

Insiemi disgiunti

Strutture dati per insiemi disgiunti E’ dato un insieme S scomposto in insiemi disgiunti S1, , Sk. Ogni insieme è identificato da un suo membro rappresentante. Si vogliono realizzare le seguenti operazioni: Make-Set(x): inizializza un nuovo insieme contenente il solo elemento x Union(x,y): unisce gli elementi degli insiemi che contengono x e y, S e T rispettivamente, nell’unico insieme ST Find-Set(x): trova l’insieme a cui appartiene l’elemento x

Strutture dati per insiemi disgiunti Gli insiemi possono essere rappresentati da alberi radicati (up-tree), in cui ogni nodo contiene un elemento e ogni albero rappresenta un insieme. Ogni elemento ha un puntatore solo al padre. La radice contiene il rappresentante, che è padre di se stesso. c e b d f a g

Up-Tree a b d e k f j c h g i

Up-Tree: unione L’unione è semplicissima: si fa sì che la radice dell’albero che ha meno nodi punti a alla radice dell’albero con più nodi. Il numero dei nodi viene approssimato dal rango associato ad ogni nodo. c b d e f a g

Up-Tree: Unione a s d e t u z c h g

Up-Tree: Unione a d e s c h t u z g

Compressione di cammini Serve nel corso della Find-Set, fa puntare direttamente alla radice ogni nodo del cammino d’accesso al nodo dato. a T1 T4 T3 T2 T1 d c b a b T2 c T3 d T4

Algoritmi per up-tree Link(x,y) if rank[x] > rank[y] Make-Set(x) Si associa ad ogni nodo x un intero rank[x], limite superiore all’altezza di x (num. archi del cammino più lungo fra x e una foglia discendente). Link(x,y) if rank[x] > rank[y] then p[y] = x else p[x] = y if rank[x] == rank[y] then rank[y]++ Make-Set(x) p[x] = x rank[x]=0 Union(x,y) Link(Find-Set(x), Find-Set(y)) Find-Set(x) if x ≠ p[x] then p[x] = Find-Set(p[x]) return p[x]

Up-Tree - sommario MakeSet (1) Find (h) Union

Esponenziali di esponenziali F(0) = 1 F(i) = 2F(i–1) per ogni i > 0 F(1) = 21 = 2 F(2) = 22 = 4 F(3) = 222 = 16 F(4) = 2222 = 65536 F(5) = 22222 = 265536  1019728 Tutti i numeri incontrati normalmente sono più piccoli di F(5)

log* log n = il più piccolo i tale che F(i)  n = = il più piccolo i tale che log loglog n  1. i volte log n  5 per ogni numero n incontrato in pratica

La funzione di Ackerman A(1, j ) = 2j per j  1 A(i, 1 ) = A(i – 1, 2 ) per i > 1 A(i, j ) = A(i – 1, A(i,j – 1)) per i,j > 1 Inversa della funzione di Ackerman (per m  n): (m,n) = il più piccolo i  1 tale che A(i, m/n ) > log n (m,n)  4 per ogni valore comune di m e n

Up-Tree: complessità Lemma 1 Per tutte le radici x di alberi, size[x] ≥ 2rank[x] Lemma 2 Per ogni intero r≥0 ci sono al più n/2r nodi di rango r.

Up-Tree: complessità Teorema Una sequenza di m operazioni Make-Set, Link e Find-Set, di cui n sono operazioni Make-Set, può essere eseguita su una foresta di up-tree con unione per rango e compressione di cammini in tempo O(m logn). Corollario Una sequenza di m operazioni Make-Set, Union e Find-Set, di cui n sono operazioni Make-Set, può essere eseguita su una foresta di up-tree con unione per rango e compressione di cammini in tempo O(m logn).