1 / 50

Hashing

Hashing. Informatik II, SS 2008 Algorithmen und Datenstrukturen Vorlesung 14 Prof. Dr. Thomas Ottmann. Algorithmen & Datenstrukturen, Institut für Informatik Fakultät für Angewandte Wissenschaften Albert-Ludwigs-Universität Freiburg. Das Wörterbuch-Problem (1).

janna-mcconnell
Download Presentation

Hashing

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. Hashing Informatik II, SS 2008 Algorithmen und Datenstrukturen Vorlesung 14 Prof. Dr. Thomas Ottmann Algorithmen & Datenstrukturen, Institut für Informatik Fakultät für Angewandte Wissenschaften Albert-Ludwigs-Universität Freiburg

  2. Das Wörterbuch-Problem (1) • Das Wörterbuch-Problem (WBP) kann wie folgt beschrieben werden: • Gegeben: Menge von Objekten (Daten) die über einen eindeutigen Schlüssel (ganze Zahl, String, . . . ) identifizierbar sind. • Gesucht: Struktur zu Speicherung der Objektmenge, so dass mindestens die folgenden Operationen (Methoden) effizient ausführbar sind:• Suchen (Wiederfinden, Zugreifen)• Einfügen• Entfernen • Bedingungen, die die Wahl einer Lösung des WBP beeinflussen: • Ort, wo die Daten gespeichert sind (Hauptspeicher, Platte, Band, CD,…) • Art- und Häufigkeit der auszuführenden Operationen Informatik II: Algorithmen und Datenstrukturen, SS 2008 Prof. Dr. Thomas Ottmann

  3. Häufigkeit der Operationen:– überwiegend Einfügen & Löschen (dynamisches Verhalten)– überwiegend Suchen (statisches Verhalten)– annähernd Gleichverteilung– nichts bekannt Weitere zu implementierende Operationen:– Durchlaufen der Menge in bestimmter Reihenfolge (etwa nach Schlüsselwert aufsteigend)– Mengen-Operationen: Vereinigung, Durchschnitt, Differenz, . . .– Aufspalten– Konstruieren Kostenmaße zur Beurteilung der Lösung: average, worst, amortisierter worst case Ausführungsreihenfolge der Operationen:– sequentiell– nebenläufig Das Wörterbuch-Problem (2) Informatik II: Algorithmen und Datenstrukturen, SS 2008 Prof. Dr. Thomas Ottmann

  4. Das Wörterbuch-Problem (3) • Verschiedene Ansätze zur Lösung des WBP: • Aufteilung des gesamten Schlüssel-Universums: Hashing • Strukturierung der aktuellen Schlüsselmange: Listen, Bäume, Graphen, . . . • Hashing (engl.: to hash=zerhacken) beschreibt eine spezielle Art der Speicherung der Elemente einer Menge durch Zerlegung des Schlüssel-Universums. • Die Position des Daten-Elements im Speicher ergibt sich (zunächst) durch Berechnung direkt aus dem Schlüssel. Informatik II: Algorithmen und Datenstrukturen, SS 2008 Prof. Dr. Thomas Ottmann

  5. Hashverfahren • Annahme:Daten sind über einen ganzzahligen Schlüssel eindeutig identifizierbar. Suchen, Einfügen, Entfernen von Datensätzen (Schlüsseln) soll unterstützt werden. • Ort des Datensatzes d: Berechnung aus dem Schlüssel s von d keine Vergleiche  konstante Zeit • Datenstruktur: lineares Feld (Array) der Größe mHashtabelle Schlüssel s 0 1 2 i m-2 m-1 …………. …………. Der Speicher wird zerlegt in m gleich große Behälter (Buckets). Informatik II: Algorithmen und Datenstrukturen, SS 2008 Prof. Dr. Thomas Ottmann

  6. Implementierung in Java • class TableEntry { private Object key,value;} • abstract class HashTable { private TableEntry[] tableEntry; private int capacity; • //Konstruktor HashTable (int capacity) { this.capacity = capacity; tableEntry = new TableEntry [capacity]; for (int i = 0; i <= capacity-1; i++) tableEntry[i] = null; } // die Hashfunktion protected abstract int h (Object key); • /* fuege Element mit Schluessel key und Wert value ein (falls nicht vorhanden) */ public abstract void insert (Object key Object value); • // entferne Element mit Schluessel key (falls vorhanden) public abstract void delete (Object key); • // suche Element mit Schluessel key public abstract Object search (Object key);} // class hashTable Informatik II: Algorithmen und Datenstrukturen, SS 2008 Prof. Dr. Thomas Ottmann

  7. Hashverfahren - Probleme • Größe der HashtabelleNur eine kleine Teilmenge S aller möglichen Schlüssel (des Universums) U kommt vor • Berechnung der Adresse eines Datensätzen-Schlüssel sind keine ganzen Zahlen- Index hängt von der Größe der Hashtabelle ab • In Java: • public class Object { ... public int hashCode() {…} ...} • Das Universum U sollte möglichst gleichmäßig auf die Zahlen -231,…,231-1 verteilt werden Informatik II: Algorithmen und Datenstrukturen, SS 2008 Prof. Dr. Thomas Ottmann

  8. Hashfunktion (1) Schlüsselmenge S Hashfunktion h Univer-sum Ualler mög-lichen Schlüs-sel 0,…,m-1 Hashtabelle T h(s) = Hashadresse h(s) = h(s´)  s und s´ sind Synonyme bzgl. hAdresskollision Informatik II: Algorithmen und Datenstrukturen, SS 2008 Prof. Dr. Thomas Ottmann

  9. Hashfunktion (2) • Definition: Sei U ein Universum möglicher Schlüssel und{B0, . . . ,Bm-1} eineMenge von m Behältern zum Speichern von Elementen aus U: • Dann ist eine Hash-Funktion eine totale Abbildung • h : U {0, . . . ,m - 1} , • die jedem Schlüssel s aus U eine Nummer h(s) (und dem entsprechenden Element den Behälter Bh(s)) zuordnet. • Die Behälter-Nummern nennt man auch Hash-Adressen, die Gesamtmenge der Behälter Hash-Tabelle. B0 B1 … … Bm-1 Informatik II: Algorithmen und Datenstrukturen, SS 2008 Prof. Dr. Thomas Ottmann

  10. Adresskollisionen • Eine Hashfunktionh berechnet für jeden Schlüssel s die Nummer des Buckets. • Ideal wäre eine eindeutige Speicher-Zuordnung eines Datums mit Schlüssel s zum Bucket mit Nummer h(s): Einfügen und Suchen könnten dann in konstanter Zeit (O(1)) erfolgen. • Tatsächlich treten natürlich Kollisionen auf: Mehrere Elemente können auf die gleiche Hash-Adresse abgebildet werden. Kollisionen müssen (auf eine von verschiedenen Arten) behandelt werden. Informatik II: Algorithmen und Datenstrukturen, SS 2008 Prof. Dr. Thomas Ottmann

  11. Hashverfahren • Beispiel für U: alle Namen in Java mit Länge ≤ 40  |U | = 6240 • Falls |U | > m : Adresskollisionen unvermeidlich • Hashverfahren:1. Wahl einer möglichst „guten“ Hash-Funktion2. Strategie zur Auflösung von Adresskollisionen • Belegungsfaktor  : • Annahme: Tabellengröße m ist fest Informatik II: Algorithmen und Datenstrukturen, SS 2008 Prof. Dr. Thomas Ottmann

  12. Anforderungen an gute Hashfunktionen • Eine Kollision tritt dann auf, wenn bei Einfügen eines Elementes mit Schlüssel s der Bucket Bh(s) schon belegt ist. • Eine Hash-Funktion h heißt perfekt für eine Menge von Schlüsseln S, falls keine Kollisionen für S auftreten. • Ist h perfekt und |S| = n, dann gilt: n≤ m. Der Belegungsfaktor (BF) derHash-Tabelle ist n/m≤ 1. • Eine Hash-Funktion ist gut gewählt, wenn • – der Belegungsfaktor möglichst hoch ist,– für viele Schlüssel-Mengen die # der Kollisionen möglichst klein ist,– sie effizient zu berechnen ist. Informatik II: Algorithmen und Datenstrukturen, SS 2008 Prof. Dr. Thomas Ottmann

  13. Beispiel einer Hashfunktion • Beispiel: Hash-Funktion für Strings • public static int h (String s){ int k = 0, m = 13; for (int i=0; i < s.length(); i++) k += (int)s.charAt (i); return ( k%m );} • Folgende Hash-Adressen werden generiert für m = 13. • Schlüssel sh(s)Test 0Hallo 2SE 9Algo 10 • h wird perfekter, je größer m gewählt wird. Informatik II: Algorithmen und Datenstrukturen, SS 2008 Prof. Dr. Thomas Ottmann

  14. Kollisionswahrscheinlichkeit (1) • Zur Wahl der Hash-Funktion • Die Anforderungen hoher Belegungsfaktor und Kollisionsfreiheit stehen in Konfliktzueinander. Es ist ein geeigneter Kompromiss zu finden. • Für die Schlüssel-Menge S mit |S| = n und Behälter B0, . . . , Bm-1 gilt:– für n > m sind Konflikte unausweichlich– für n < m gibt es eine (Rest-) Wahrscheinlichkeit PK(n,m) für das Auftretenmindestens einer Kollision. • Wie findet man Abschätzung für PK(n,m)? • Für beliebigen Schlüssel s ist die W’keit dafür, dass h(s) = j mitj {0, . . . ,m - 1}: PK[h(s) = j ] = 1/m, falls Gleichverteilung gilt. • Es ist PK(n,m) = 1 - P¬K(n,m),wenn P¬K(n,m) die W’keit dafür ist, dass es beim Speichern von n Elementen inm Behälter zu keinen Kollisionen kommt. Informatik II: Algorithmen und Datenstrukturen, SS 2008 Prof. Dr. Thomas Ottmann

  15. Kollisionswahrscheinlichkeit (2) • Zur Wahrscheinlichkeit von Kollisionen • Werden n Schlüssel nacheinander auf die Behälter B0, . . . , Bm-1 verteilt (beiGleichverteilung), gilt jedes mal P [h(s) = j ] = 1/m. • Die W’keit P(i) für keine Kollision im Schritt i ist P(i) = (m - (i - 1))/m • Damit ist • Für m = 365 etwa ist P(23) > 50% und P(50)  97% (Geburtstagsparadoxon) Informatik II: Algorithmen und Datenstrukturen, SS 2008 Prof. Dr. Thomas Ottmann

  16. Gebräuchliche Hashfunktionen • In der Praxis verwendete Hash-Funktionen: • Siehe: D.E. Knuth: The Art of Computer Programming • Für U = integer wird die Divisions-Rest-Methode verwandt: • h(s) = (a × s) mod m (a 0, a m, m Primzahl) • Für Zeichenreihen der Form s = s0s1 . . . sk-1 nimmt man etwa: • etwa mit B = 131 und w = Wortbreite des Rechners (w = 32 oder w = 64 ist üblich). Informatik II: Algorithmen und Datenstrukturen, SS 2008 Prof. Dr. Thomas Ottmann

  17. Einfache Hashfunktion • Wahl der Hash-Funktion-leichte und schnelle Berechenbarkeit - gleichmäßige Verteilung der Daten (Beispiel: Compiler) • (Einfache) Divisions-Rest-Methode • h(k) = k mod m • Wahl von m? • Beispiele: • a)m gerade  h(k) gerade k gerade • Problematisch, wenn letztes Bit Sachverhalt ausdrückt (z.B. 0 = weiblich, • 1 = männlich) • b)m = 2p liefert p niedrigsten Dualziffern von k • Regel: Wähle m prim, wobei m keine Zahl ri +- j teilt,wobei i und j kleine, nichtnegative Zahlen und r Radix der Darstellung sind. Informatik II: Algorithmen und Datenstrukturen, SS 2008 Prof. Dr. Thomas Ottmann

  18. Multiplikative Methode • Wähle eine irrationale Zahl  • Berechne h(k) = [m (k mod 1) ] • Berechnung von h(k) : • Wahl von m unkritisch, wähle m = 2p k 0, r0 r1 p Bits = h(k) Informatik II: Algorithmen und Datenstrukturen, SS 2008 Prof. Dr. Thomas Ottmann

  19. Universelles Hashing • Idee :Wähle Hashfunktion h zufällig aus einer sorgfältig definierten endlichen Menge H von Hashfunktionen, und zwar so dass für eine zufällig gewählte Funktion h  H gilt: • Die Wahrscheinlichkeit dafür, dass h für zwei beliebige Elemente x und y aus dem Universum U eine Adresskollision verursacht, ist 1/m, m = Größe der Hashtabelle. • Beispiel für eine universelle Klasse von Hashfunktionen: • |U| = p mit Primzahl p und |U| = {0,…,p-1} • Seien a {1,…,p-1} und b  {0,…,p-1} und ha,b : U {0,…,m-1} wie folgt definiert • ha,b = ((ax+b)mod p) mod m • Folgerung: Die Menge H = {ha,b| 1 ≤ a ≤ p,0 ≤ b ≤ p}ist eine universelle Klasse von Hashfunktionen. Informatik II: Algorithmen und Datenstrukturen, SS 2008 Prof. Dr. Thomas Ottmann

  20. Möglichkeiten der Kollisionsbehandlung • Die Behandlung von Kollisionen erfolgt bei verschiedenen Verfahren unterschiedlich. • Ein Datensatz mit Schlüssel s ist ein Überläufer, wenn der Behälter h(s) schondurch einen anderen Satz belegt ist. • Wie kann mit Überläufern verfahren werden? • 1. Behälter werden durch verkettete Listen realisiert. Überläufer werden in diesen Listen abgespeichert.Chaining (Hashing mit Verkettung der Überläufer) • 2. Überläufer werden in noch freien anderen Behältern abgespeichert. Diese werden beim Speichern und Suchen durch sogenanntes Sondieren gefunden.Open Addressing (Offene Hashverfahren) Informatik II: Algorithmen und Datenstrukturen, SS 2008 Prof. Dr. Thomas Ottmann

  21. Verkettung der Überläufer (1) • Die Hash-Tabelle ist ein Array (Länge m) von Listen. Jeder Behälter wird durch eine Liste realisiert. • class hashTable { Liste [] ht; // ein Listen-Array hashTable (int m){ // Konstruktor ht = new Liste[m]; for (int i = 0; i < m; i++) ht[i] = new Liste(); // Listen-Erzeugung } ...} • Zwei verschiedene Möglichkeiten der Listen-Anlage:1. Hash-Tabelle enthält nur Listen-Köpfe, Datensätze sind in Listen: DirekteVerkettung • 2. Hash-Tabelle enthält pro Behälter maximal einen Datensatz sowie einen • Listen-Kopf. Überläufer kommen in die Liste: Separate Verkettung Informatik II: Algorithmen und Datenstrukturen, SS 2008 Prof. Dr. Thomas Ottmann

  22. Hashing mit Verkettung der Überläufer • Schlüssel werden in Überlauflisten gespeichert h(k) = k mod 7 0 1 2 3 4 5 6 Haschtabelle TZeiger 53 12 15 2 43 5 Überläufer 19 Diese Art der Verkettung wird auch als direkte Verkettung bezeichnet. Informatik II: Algorithmen und Datenstrukturen, SS 2008 Prof. Dr. Thomas Ottmann

  23. Verkettung der Überläufer • Suchen nach Schlüssel k - Berechne h(k) und Überlaufliste T[h(k)] - Suche nach k in der Überlaufliste • Einfügen eines Schlüssels k- Suchen nach k (erfolglos)- Einfügen in die Überlaufliste • Entfernen eines Schlüssels k- Suchen nach k (erfolgreich)- Entfernen aus Überlaufliste •  Reine Listenoperationen Informatik II: Algorithmen und Datenstrukturen, SS 2008 Prof. Dr. Thomas Ottmann

  24. Analyse der direkten Verkettung • Uniform-Hashing Annahme: • alle Hashadressen werden mit gleicher Wahrscheinlichkeit gewählt, d.h.: • Pr(h(ki) = j) = 1/m • unabhängig von Operation zu Operation • Mittlere Kettenlänge bei n Einträgen: • n/m =  • Definition • C´n = Erwartungswert für die Anzahl betrachteter Einträge bei erfolgloser Suche • Cn = Erwartungswert für die Anzahl betrachteter Einträge bei erfolgreicher Suche • Analyse Informatik II: Algorithmen und Datenstrukturen, SS 2008 Prof. Dr. Thomas Ottmann

  25. Verkettung der Überläufer Vorteile:+ Cn und C´n niedrig+ > 1 möglich+ echte Entfernungen+ für Sekundärspeicher geeignetEffizienz der Suche Cn (erfolgreich) C´n (erfolglos) 0.50 1.250 0.50 0.90 1.450 0.90 0.95 1.457 0.95 1.00 1.500 1.00 2.00 2.000 2.00 3.00 2.500 3.00 Nachteile- Zusätzlicher Speicherplatz für Zeiger - Überläufer außerhalb der Hashtabelle Informatik II: Algorithmen und Datenstrukturen, SS 2008 Prof. Dr. Thomas Ottmann

  26. Analyse Hashing mit Verkettung • worst case: h(s) liefert immer den gleichen Wert, alle Datensätze sind in einer Liste.Verhalten wie bei Linearer Liste. • average case:– Erfolgreiche Suche & Entfernen: Aufwand in Datenzugriffen  1 + 0.5 × BF– Erfolglose Suche & Einfügen: Aufwand  BF • Das gilt für direkte Verkettung, bei separater Verkettung ist der Aufwand jeweilsetwas höher. • best case: Die Suche hat sofort Erfolg. Aufwand  O(1). Informatik II: Algorithmen und Datenstrukturen, SS 2008 Prof. Dr. Thomas Ottmann

  27. Offene Hashverfahren • Idee:Unterbringung der Überläufer an freien (“offenen”) Plätzen in Hashtabelle • Falls T[h(k)] belegt, suche anderen Platz für k nach fester Regel • Beispiel:Betrachte Eintrag mit nächst kleinerem Index:(h(k) - 1) mod m • Allgemeiner:Betrachte die Folge(h(k) - j) mod m j = 0,…,m-1 0 1 h(k) m-2 m-1 … ..... .…. Informatik II: Algorithmen und Datenstrukturen, SS 2008 Prof. Dr. Thomas Ottmann

  28. Sondierungsfolgen • Noch allgemeiner: • Betrachte Sondierungsfolge • (h(k) – s(j,k)) mod m • j = 0,...,m-1, für eine gegebene Funktion s(j,k) • Beispiele für die Funktion • s(j,k) = j (lineares Sondieren) • s(j,k) = (-1)j * j/22 (quadratisches Sondieren) • s(j,k) = j * h´(k) (Double Hashing) Informatik II: Algorithmen und Datenstrukturen, SS 2008 Prof. Dr. Thomas Ottmann

  29. Sondierungsfolgen • Eigenschaftenvon s(j,k) • Folge (h(k) – s(0,k)) mod m,(h(k) – s(1,k)) mod m,(h(k) – s(m-2,k)) mod m,(h(k) – s(m-1,k)) mod m • sollte eine Permutation von 0,...,m-1 liefern. • Beispiel: Quadratisches Sondieren • Kritisch: Entfernen von Sätzen  als entfernt markieren • (Einfügen von 4, 18, 25, Löschen 4, Suche 18, 25) 0 1 2 3 4 5 6 h(11) = 4 s(j,k) = -1,1,-4,4,-9,9 Informatik II: Algorithmen und Datenstrukturen, SS 2008 Prof. Dr. Thomas Ottmann

  30. Offene Hashverfahren • class OpenHashTable extends HashTable { // in HashTable: TableEntry [] T; private int [] tag; • static final int EMPTY = 0; // Frei static final int OCCUPIED = 1; // Belegt static final int DELETED = 2; // Entfernt • // Konstruktor OpenHashTable (int capacity) { super(capacity); tag = new int [capacity]; for (int i = 0; i < capacity; i++) { tag[i] = EMPTY; } } • // Die Hashfunktion protected int h (Object key) {...} • // Funktion s für Sondierungsfolge protected int s (int j, Object key) { // quadratisches Sondieren if (j % 2 == 0) return ((j + 1) / 2) * ((j + 1) / 2); else return -((j + 1) / 2) * ((j + 1) / 2); } Informatik II: Algorithmen und Datenstrukturen, SS 2008 Prof. Dr. Thomas Ottmann

  31. Offene Hashverfahren - Suchen • public int searchIndex (Object key) { /* sucht in der Hashtabelle nach Eintrag mit Schluessel key und liefert den zugehoerigen Index oder -1 zurueck */ int i = h(key); int j = 1; // naechster Index der Sondierungsfolge • while (tag[i] != EMPTY &&!key.equals(T[i].key)){ // Naechster Eintr. in Sondierungsfolge i = (h(key) - s(j++, key)) % capacity; if (i < 0) i = i + capacity; } • if (key.equals(T[i].key) && tag[i] == OCCUPIED) return i; else return -1; } • public Object search (Object key) { /* sucht in der Hashtabelle nach Eintrag mit Schluessel key und liefert den zugehoerigen Wert oder null zurueck */ int i = searchIndex (key); if (i >= 0) return T[i].value; else return null; } Informatik II: Algorithmen und Datenstrukturen, SS 2008 Prof. Dr. Thomas Ottmann

  32. Offene Hashverfahren - Einfügen • public void insert (Object key, Object value) { // fuegt einen Eintrag mit Schluessel key und Wert value ein int j = 1; // naechster Index der Sondierungsfolge int i = h(key); • while (tag[i] == OCCUPIED) { i = (h(key) - s(j++, key)) % capacity; if (i < 0) i = i + capacity; } • T[i] = new TableEntry(key, value); tag[i] = OCCUPIED; } Informatik II: Algorithmen und Datenstrukturen, SS 2008 Prof. Dr. Thomas Ottmann

  33. Offene Hashverfahren - Entfernen • public void delete (Object key) { // entfernt Eintrag mit Schluessel key aus der Hashtabelle • int i = searchIndex(key); • if (i >= 0) { // Suche erfolgreich tag[i] = DELETED; }} Informatik II: Algorithmen und Datenstrukturen, SS 2008 Prof. Dr. Thomas Ottmann

  34. Test-Programm • public class OpenHashingTest { public static void main(String args[]) { Integer[] t= new Integer[args.length]; • for (int i = 0; i < args.length; i++) t[i] = Integer.valueOf(args[i]); • OpenHashTable h = new OpenHashTable (7); for (int i = 0; i <= t.length - 1; i++) { h.insert(t[i], null);# h.printTable (); } h.delete(t[0]); h.delete(t[1]); h.delete(t[6]); h.printTable(); }} • Aufruf:java OpenHashingTest 12 53 5 15 2 19 43 Ausgabe(Quadratisches Sondieren):[ ] [ ] [ ] [ ] [ ] (12) [ ] [ ] [ ] [ ] [ ] (53) (12) [ ] [ ] [ ] [ ] [ ] (53) (12) (5) [ ] (15) [ ] [ ] (53) (12) (5) [ ] (15) (2) [ ] (53) (12) (5) (19) (15) (2) [ ] (53) (12) (5) (19) (15) (2) (43) (53) (12) (5) (19) (15) (2) {43} {53} {12} (5) Informatik II: Algorithmen und Datenstrukturen, SS 2008 Prof. Dr. Thomas Ottmann

  35. Sondierungsfolgen - Lineares Sondieren • s(j,k) = j • Sondierungsfolge für k: • h(k), h(k)-1,...,0,m-1,..., h(k)+1, • Problem:primäre Häufung (“primary clustering”) • Pr (nächstes Objekt landet an Position 2) = 4/7 • Pr (nächstes Objekt landet an Position 1) = 1/7 • Lange Ketten werden mit größerer Wahrscheinlichkeit verlängert als kurze. 0 1 2 3 4 5 6 5 53 12 Informatik II: Algorithmen und Datenstrukturen, SS 2008 Prof. Dr. Thomas Ottmann

  36. Effizienz des linearen Sondierens • erfolgreiche Suche: • erfolglose Suche: Cn (erfolgreich) C´n(erfolglos)0.50 1.5 2.50.90 5.5 50.50.95 10.5 200.51.00 - - Effizienz des linearen Sondierens verschlechtert sich drastisch, sobald sich derBelegungsfaktor  dem Wert 1 nähert. Informatik II: Algorithmen und Datenstrukturen, SS 2008 Prof. Dr. Thomas Ottmann

  37. Quadratisches Sondieren • s(j,k) = (-1)j * j/22 • Sondierungsfolge für k: • h(k), h(k)+1, h(k)-1, h(k)+4, ... • Permutation, falls m = 4l + 3 eine Primzahl ist. • Problem: sekundäre Häufung, d.h. zwei Synonymek und k´ durchlaufen stets dieselbe Sondierungsfolge. Informatik II: Algorithmen und Datenstrukturen, SS 2008 Prof. Dr. Thomas Ottmann

  38. Effizienz des quadratischen Sondierens • erfolgreiche Suche: • erfolglose Suche: Cn (erfolgreich) C´n(erfolglos)0.50 1.44 2.190.90 2.85 11.400.95 3.52 22.051.00 - - Informatik II: Algorithmen und Datenstrukturen, SS 2008 Prof. Dr. Thomas Ottmann

  39. Uniformes Sondieren • s(j,k) = πk(j) • πkeine der m! Permutationen von {0,...,m-1}-hängt nur von kab-gleichwahrscheinlich für jede Permutation Cn (erfolgreich) C´n(erfolglos)0.50 1.39 20.90 2.56 100.95 3.15 201.00 - - Informatik II: Algorithmen und Datenstrukturen, SS 2008 Prof. Dr. Thomas Ottmann

  40. Zufälliges Sondieren • Realisierung von uniformem Sondieren sehr aufwendig. • Alternative: • Zufälliges Sondierens(j,k) = von k abhängige Zufallszahl • s(j,k) = s(j´,k)möglich, aber unwahrscheinlich Informatik II: Algorithmen und Datenstrukturen, SS 2008 Prof. Dr. Thomas Ottmann

  41. Double Hashing • Idee: Wähle zweite Hashfunktion h´ • s(j,k) = j*h´(k) • Sondierungsfolge für k: • h(k), h(k)-h´(k), h(k)-2h´(k),... • Forderung:Sondierungsfolge muss Permutation der Hashadressen entsprechen. • Folgerung:h´(k) ≠ 0 und h´(k) kein Teiler von m, d.h. h´(k) teilt m nicht. • Beispiel:h´(k) = 1 + (k mod (m-2)) Informatik II: Algorithmen und Datenstrukturen, SS 2008 Prof. Dr. Thomas Ottmann

  42. 0 1 2 3 4 5 6 0 1 2 3 4 5 6 0 1 2 3 4 5 6 Beispiel • Hashfunktionen: h(k) = k mod 7h´(k) = 1 + k mod 5 • Schlüsselfolge: 15, 22, 1, 29, 26 • In diesem Beispiel genügt fast immer einfaches Sondieren. • Double Hashing ist genauso effizient wie uniformes Sondieren. • Double Hashing ist leichter zu implementieren. 0 1 2 3 4 5 6 15 h´(22) = 3 15 22 h´(1) = 2 15 22 1 h´(29) = 5 15 29 22 1 h´(26) = 2 Informatik II: Algorithmen und Datenstrukturen, SS 2008 Prof. Dr. Thomas Ottmann

  43. Verbesserung der erfolgreichen Suche -Motivation • Hashtabelle der Größe 11, Double Hashing mit • h(k) = k mod 11 und • h´(k) = 1 + (k mod (11 – 2)) = 1 + (k mod 9) • Bereits eingefügt: 22, 10, 37, 47, 17Noch einzufügen: 6 und 30 • h(6) = 6, h´(6) = 1 + 6 = 7 • h(30) = 8, h´(30) = 1 + 3 = 4 0 1 2 3 4 5 6 7 8 9 10 22 47 37 17 10 0 1 2 3 4 5 6 7 8 9 10 22 47 37 6 17 10 Informatik II: Algorithmen und Datenstrukturen, SS 2008 Prof. Dr. Thomas Ottmann

  44. Verbesserung der erfolgreichen Suche: Allgemein • Einfügen:-k trifft in T[i] auf kalt, d.h. i = h(k) - s(j,k) = h(kalt) - s(j´,kalt)-kalt bereits in T[i] gespeichert • Idee:Suche freien Platz für koder kalt • Zwei Möglichkeiten: • (M1)kalt bleibt in T[i] betrachte neue Position • h(k) - s(j+1,k) für k • (M2)k verdrängt kaltbetrachte neue Position • h(kalt) - s(j´+1, kalt) für kalt • if (M1) or (M2) trifft auf einen freien Platzthen trage entsprechenden Schlüssel ein fertigelse verfolge (M1) oder (M2) weiter Informatik II: Algorithmen und Datenstrukturen, SS 2008 Prof. Dr. Thomas Ottmann

  45. fertig fertig fertig Verbesserung der erfolgreichen Suche Brent’s Verfahren: verfolge nur (M1) k trifft auf k´ k´ weicht aus k weicht aus k trifft auf k´´ k´´ weicht aus k weicht aus k trifft auf k´´´ k´´´ weicht aus k trifft auf k´´´´ Binärbaum Sondieren: verfolge (M1) und (M2) Informatik II: Algorithmen und Datenstrukturen, SS 2008 Prof. Dr. Thomas Ottmann

  46. Verbesserung der erfolgreichen Suche • Problem: kalt von k verdrängt: nächster Platz in Sondierungsfolge für kalt? • Ausweichen von kalt einfach, wenn gilt: • s(j, kalt) - s(j -1, kalt) = s(1,kalt) • für alle 1 ≤j≤m -1. • Das gilt beispielsweise für lineares Sondieren und double Hashing. Informatik II: Algorithmen und Datenstrukturen, SS 2008 Prof. Dr. Thomas Ottmann

  47. Beispiel • Hashfunktionen: h(k) = k mod 7h´(k) = 1 + k mod 5 • Schlüsselfolge: 12, 53, 5, 15, 2, 19 • h(5) = 5 belegt k´= 12 • Betrachte: • h´(k) = 1  h(5) -1 * h´(5) •  5 verdrängt 12 von seinem Platz 0 1 2 3 4 5 6 53 12 Informatik II: Algorithmen und Datenstrukturen, SS 2008 Prof. Dr. Thomas Ottmann

  48. Verbesserung der erfolglosen Suche • Suchenach k: k´>k in Sondierungsfolge:  Suche erfolglos • Einfügen:kleinere Schlüssel verdrängen größere Schlüssel • Invariante:Alle Schlüssel in der Sondierungsfolge vor k sind kleiner als k(aber nicht notwendigerweise aufsteigend sortiert) • Probleme: • Verdrängungsprozess kann “Kettenreaktion” auslösen • k´ von k verdrängt: Position von k´ in Sondierungsfolge? Es muss gelten: s(j,k) - s(j -1,k) = s(1,k),1 ≤j≤m Informatik II: Algorithmen und Datenstrukturen, SS 2008 Prof. Dr. Thomas Ottmann

  49. Ordered Hashing • Suchen • Input: Schlüssel kOutput: Information zu Datensatz mit Schlüssel k oder nullBeginne bei i  h(k)whileT[i] nicht frei andT[i] .k < kdoi  (i – s(1,k)) mod mend while; ifT[i] belegt andT[i] .k = kthen Suche erfolgreichelse Suche erfolglos Informatik II: Algorithmen und Datenstrukturen, SS 2008 Prof. Dr. Thomas Ottmann

  50. Ordered Hashing • Einfügen • Input: Schlüssel k Beginne bei i  h(k)whileT[i] nicht frei andT[i] .k≠kdoifk < T[i].kthen ifT[i] ist entferntthen exit while-loopelse// k verdrängt T[i].k vertausche T[i].k mit k i = (i – s(1,k)) mod mend while; • ifT[i] ist nicht belegt then trage k bei T[i] ein Informatik II: Algorithmen und Datenstrukturen, SS 2008 Prof. Dr. Thomas Ottmann

More Related