Verimli tekrarlanan eklemeler için veri yapısını ayarlama

Kelime boyutu öğelerinin kümelerini (tekrarlama yok) tutan ve hızlı yerleştirmeyi (amortisör O (1)) destekleyen, alan açısından verimli bir veri yapısı arıyorum. "Yer tasarruflu" ile, ideal olarak, elemanlarını saklamak için kelimeleri kastediyorum . $n + o(n)$ $n$

Küme olmak sorunun önemli bir parçasıdır: her öğe kez eklenirse kullanılan alan olamaz . $\log n$ $n\log n$

Yapı ayrıca öğelerinin listelenmesini de desteklemelidir (verimli bir şekilde); aklı başında herhangi bir yapının burada sıkıntı yaşamaması gerekir. (Hızlı üyelik sorguları bir artıdır.)

ds.data-structures

— Charles
kaynak

Karma tablonun hile yapmamasının bir nedeni var mı?

— Dave

@Dave: Bunu alan gereksinimini karşılama olarak düşünmüyorum, ancak sanırım yeterince katı bir dinamik yeniden boyutlandırma programı işe yarayabilir. Ama genellikle kod yazmadan önce neler olduğunu görmek isterim.

— Charles

Dinamik yeniden boyutlandırma ile amortismanlı

elde etmek için, boyutu

ile tam olarak karşılamak istiyorsanız, alan gereksinimini karşıladığını düşünmediğim sabit bir oranla büyütmeniz gerekir .

O (1)

$O(1)$

n + o (n)

$n+o(n)$

— Dave

Tamam, bu saçma-ama evrenin sabit boyut (wordsize öğeleri) olduğu göz önüne alındığında biraz hatta tam bit vektör bir büyüklüğe sahip olacaktır olduğu

...

O (1)

$O(1)$

— Magnus Lie Hetland

@Magnus: Sanırım sorudaki O- ve o-notasyonlarının arkasındaki gerçek fonksiyonların kelime boyutuna bağlı olmadığı anlamına geliyor.

— Tsuyoshi Ito

Yanıtlar:

Bence Raman ve Rao'nun "Özlü Dinamik Sözlükler ve Ağaçlar" belirttiğiniz sınırlara uyuyor. Özetden:

Önce bir kümenin temsilini veriyoruz içinde destekleri üyelik sorguları o en kötü durum zaman ve gelen / silme içine eklemeler in itfa edilmiş zaman beklenen. Gösterim bitlerini kullanır, burada $S \subseteq U = \{0, \dots , m − 1\}, |S| = n$ $O(1)$ $S$ $O(1)$ $B + o(B)$ temsil etmek bilgiler-teorik asgari alanıdır. $B = \lceil lg \binom{m}{n} \rceil$ $S$

— jbapple
kaynak

Harika görünüyor. (Kabul etmeden önce makaleyi okuduğumu anlayacaksınız, değil mi?)

— Charles

Uygulamanız bazı yanlış pozitifleri tolere edebilirse, bir Bloom filtresi kullanmayı düşünmelisiniz .

Vikipedi'nin Açıklaması: Bloom filtresi, bir öğenin bir kümenin üyesi olup olmadığını test etmek için kullanılan, yerden tasarruf sağlayan olasılıklı bir veri yapısıdır. Yanlış pozitifler mümkündür, ancak yanlış negatifler mümkün değildir. Öğeler kümeye eklenebilir, ancak kaldırılamaz. Sete ne kadar çok eleman eklenirse, yanlış pozitif olasılığı o kadar büyük olur.

— Tyson Williams
kaynak

Benimki mükemmel bir veri yapısı için +1 değil.

— Charles