                      Insertion-Sort

Presentazione sul tema: "                      Insertion-Sort"— Transcript della presentazione:

1                       Insertion-Sort
a1:a2   a2:a3 a1:a3     <a1,a2,a3> a1:a3 <a2,a1,a3> a2:a3     <a1,a3,a2> <a3,a1,a2> <a2,a3,a1> <a3,a2,a1> Selection-Sort a1:a2   a1:a3 a2:a3     a2:a3 a2:a1 a1:a3 a1:a2       <a1,a2,a3> <a1,a3,a2> <a3,a1,a2> <a2,a1,a3> <a2,a3,a1> <a3,a2,a1>

2 Esercizio 2 Consideriamo una funzione f(n) tale che: f(n) = (n log2n) La relazione precedente implica anche: f(n) = (n logBn) B = base generica Infatti: f(n) = (n log2n)   c, n0 > 0 tali che  n  n0 0  c n log2n  f(n) Notiamo che: log2n = logBn / logB2 Posso definire c’ = c / logB2. Vale allora la relazione: n  n  c’ n logBn  f(n) Da cui segue: f(n) = (n logBn)

3 Ricorda: Un algoritmo che risolve un certo problema si dice ottimale se il suo tempo di esecuzione coincide (in senso asintotico) con il lower bound del problema. Esercizio – Fusione di due sequenze ordinate Considerare il problema della fusione di 2 sequenze ordinate di lunghezza n/2 in una sequenza ordinata di lunghezza n. Scrivere un algoritmo, analizzarne la complessità, valutare se l’algoritmo scritto è un algoritmo ottimale. Alcune domande preliminari: Lower bound? Boh…quello banale è pari ad Ω(n) Upper bound? Vediamo…parto con un algoritmo banale Merge1(A,B) For i 1 to n/2 do C[i]  A[i] C[n/2+i]  B[i] Insertion-Sort(C) L’algoritmo è corretto? SI Complessità temporale e spaziale dell’algoritmo? Θ(n2) e Θ(n), rispettivamente, come l’Insertion Sort L’algoritmo è ottimale?  Direi di NO…

4 Un altro algoritmo di fusione…
Merge2(A,B) i  1 j  1 While (in/2) and (jn/2) do if (A[i] < B[j]) then C[i+j-1]  A[i] i  i + 1 else C[i+j-1]  B[j] j  j + 1 If (i > n/2) then for k  j to n/2 do C[k+n/2]  B[k] else for k  i to n/2 do C[k+n/2]  A[k] L’algoritmo è corretto? SI Complessità temporale e spaziale dell’algoritmo? Θ(n) L’algoritmo è ottimale?  SI!!

5 Algoritmi di ordinamento ottimali
Problema dell’ ordinamento per confronto: Lower bound - (n log n) albero di decisione Upper bound – O(n2) IS,SS Proviamo a costruire un algoritmo ottimale. Notiamo che IS e SS utilizzano un approccio incrementale: alla k-esima iterazione essi producono una sequenza ordinata di k elementi L’ approccio incrementale non è l’unico possibile: Approccio divide-et-impera: - Il problema è diviso in un certo numero di sotto-problemi (divide) I sottoproblemi vengono risolti separatamente (impera); Le soluzioni dei sottoproblemi vengono combinate per ottenere la soluzione del problema iniziale (combina).

6 Merge(A, p, q, r) Merge(A, p, q, r)
Algoritmo Merge-Sort Merge-Sort(A, p, r) If (p < r) then q = (p+r)/2  Merge-Sort(A, p,q) Merge-Sort(A, q+1, r) Merge(A, p, q, r) Merge(A, p, q, r) Assume che: A[p …… q] ordinata A[q+1 …… r] ordinata Genera: A[p …… r] ordinata Per ordinare A si lancia Merge-Sort(A,1,n) Funzionamento del Merge-Sort per n=8: valore dei parametri p,r Merge-Sort p,r 1,8 1,4 5,8 1,2 3,4 5,6 7,8 1,1 2,2 3,3 4,4 5,5 6,6 7,7 8,8

7 Funzionamento del Merge-Sort: progressione delle chiamate ricorsive
q1 =4 Merge-Sort p2 =1 r2 =4 q2 =2 p2 =5 r2 =8 q2 =6 p3 =1 r3 =2 q3 =1 p3 =3 r3 =4 q3 =3 p3 =5 r3 =6 q3 =5 p3 =7 r3 =8 q3 =7 p4 =1 r4 =1 q4 = p4 =2 r4 =2 q4 = p4 =3 r4 =3 q4 = p4 =4 r4 =4 q4 = p4 =5 r4 =5 q4 = p4 =6 r4 =6 q4 = p4 =7 r4 =7 q4 = p4 =8 r4 =8 q4 =

8 Funzionamento del Merge-Sort: un esempio
5,2,4,6,1,3,8,7 1,2,3,4,5,6,7,8 5,2,4,6 1,3,8,7 2,4,5,6 1,3,7,8 5,2 4,6 1,3 8,7 2,5 4,6 1,3 7,8 5 2 4 6 1 3 8 7

9 Complessità temporale del Merge Sort
Merge-Sort(A, p, r) If (p < r) then q = (p+r)/2  Merge-Sort(A, p,q) Merge-Sort(A, q+1, r) Merge(A, p, q, r) Ci aspettiamo che il comportamento asintotico del Merge-Sort sia migliore del comportamento asintotico di IS e SS. Infatti, l’approccio ricorsivo dovrebbe aggirare i problemi indotti dall’approccio incrementale.

10 Complessità temporale del Merge-Sort
Merge-Sort(A, p, r) If (p < r) then q = (p+r)/2  Merge-Sort(A, p,q) Merge-Sort(A, q+1, r) Merge(A, p, q, r) Il Merge-Sort è un algoritmo ricorsivo  Il tempo di esecuzione del MS verifica un equazione di ricorrenza Tms(n) = d(n) + 2*Tms(n/2) + c(n) d(n)  tempo necessario a dividere in  (1) 2 sequenze lunghe n/2 c(n)  tempo necessario per combinare  (n) 2 sequenze ordinate di n/2 elementi (Merge()) Tms(n) = 2 *Tms(n/2) + f(n) f(n) = d(n) + c(n) = (n) Questa equazione vale per tutti i valori di n eccetto che per n=1:

11 Riformulazione del teorema master per f(n)=Θ(n)
Siano a, b,c costanti non negative. La soluzione dell’ equazione di ricorrenza: T(n) = c per n = 1 aT(n/b) + Θ(n) per n > 1 è: Θ(n logba) se a > b T(n)= Θ(n log n) se a = b Θ(n) se a < b

12 Nel caso del Merge-Sort, a=b=2
 La complessità temporale dell’algoritmo Merge-Sort è: T(n) = (n log n)  Ciò implica che l’algoritmo Merge-Sort è un algoritmo di ordinamento ottimale!!