5.7.1

5.7.1 完美散列(Perfect Hashing)

本文是数据结构与算法分析——C++语言描述(Data Structures and Algorithms Analysis in C++)的学习笔记。

完美散列是解决最坏情形$O(1)$访问的散列表问题的最早方案。

我们之前介绍过普通的散列表。由于冲突的存在，我们需要使用分离链接法或者开放定址法来改进我们的散列表。使用这两种办法的任意一种后，就不能保证我们访问这些散列表的最坏情形是$O(1)$。完美散列完美地解决了这个问题。

考虑比较简单的情形，假设散列表中的元素都是已知的且数目固定为$N$(这其实也是完美散列的应用前提)。如果我们用分离链接法来解决散列过程中的冲突问题，那么我们很容易得出，链表的数目$M$越多，那么平均分到每个链表中的元素就会越少，相应的，含有最多元素的链表所含的元素数目也会越少。如果我们使用的链表足够多，那么散列的元素出现冲突的概率就会足够低，我们就无需使用分离链接法或者开放定址法来解决冲突了，此时访问这个散列表的最坏情形便是$O(1)$。

这种解决方案带来两个问题：一是链表的数目会太多；二是仍然无法完全解决冲突的问题。

第二个问题相对来说比较好解决。我们增加链表的数目，使得散列的元素发生冲突的概率小于$1/2$。此时，如果我们使用一个哈希函数使得散列元素发生冲突，那么我们可以尝试另外一个哈希函数，直到散列中的元素不发生冲突。尝试的期望次数最多为$2$。

现在剩下第一个问题需要我们解决：到底需要多少个链表才能使得散列的元素发生冲突的概率小于$1/2$呢？

定理5.2 如果$N$个球被放入$M=N^2$个箱子中，那么没有箱子装有多余一个球的概率大于$1/2$。

证明：显然，第$i,j$个球$(i,j\le N)$发生冲突的概率为$1/M$。故存在一对球发生冲突的概率为
$$\frac{C_N^2}{M}=\frac{N(N-1)}{2N^2}<\frac{1}{2}$$

由定理5.2知，要想使散列的元素发生冲突的概率小于$1/2$，则链表的个数为$M=\Omega (N^2)$。显然，使用$N^2$个链表是不切合实际的。不过从上面的分析可以提出下面的方案：使用$N$个箱子，但是通过散列表而不是列表来解决箱子中的冲突。其想法在于，因为我们期望每个箱子只有少数几项，所以每个箱子所用的散列表以箱内项数表示可以是二次的。

图5.24显示了它的基本结构。这里，主散列表有10个箱子。箱子1、3、5、7都是空的。箱子0、4、8只有一项，从而它们可以借助1个位置的耳机散列表来解决冲突。箱子2和6都有2项，因此它们将通过4个位置的二级散列表来解决。箱子9有三项，因此它将使用带有9个位置的二级散列表。

和原始的想法一样，每个二级散列表都将使用不同的散列函数来避免冲突。如果产生的冲突次数大于要求，那么主散列表还可以构造多次。

这种方法便是完美散列(Perfect Hashing)。

现在证明：这些二级散列表的总大小是线性的。

定理5.3 要是将$N$项放入包含$N$个箱子的主散列表中，那么二级散列表的总大小的期望值最多为$2N$。

证明：

与定理5.2的证明思路相似。成对冲突的期望数最多为$N(N-1)/2N$。设散列到每一个“箱子”中元素为$b_i$, 那么每个箱子中二级散列表的大小为$b_i^2$。每一个箱子中的成对冲突的期望数最多为$b_i(b_i-1)/2$，记为$c_i$。那么此时总的空位为
$$M=\sum b_i^2=2\sum c_i+\sum b_i$$
成对冲突的期望数最多为$N(N-1)/2N$，那么有
$$\sum c_i\le \frac{N-1}{2}$$
故
$$M<2\cdot \frac{N-1}{2}+N<2N$$

于是，总的二级空位需求大于$4N$的概率小于$1/2$。我们可以采用之前提到过的策略继续选择哈希函数，且尝试次数的期望值为$1/2$。这些散列表建成之后，任何查找都能在两次探测之内解决。