Potential Method —— amortized analysis
之前搬运有关 amortized analysis 内容时，分析方法介绍了 aggregate method 和 accounting method。有时 accounting method 也作 banker method (回想起 OS 里面也有对应的 银行家算法)。这次补充介绍 potential method 作为 amortized analysis 的一种方法。
有关 amortized analysis 的介绍，以及一些基础模型可见 算法设计搬运（2）——Amortized Analysis。
公式
如果已经有了 amortized cost 相应的了解那么就可以直接进入到 potential method 的公式了。
T
a
m
o
r
t
i
z
e
d
(
o
)
=
T
a
c
t
u
a
l
(
o
)
+
C
⋅
Δ
Φ
T_{amortized}(o) = T_{actual}(o)+C·\Delta \Phi
Tamortized(o)=Tactual(o)+C⋅ΔΦ
亦作
T
a
m
o
r
t
i
z
e
d
(
o
)
=
T
a
c
t
u
a
l
(
o
)
+
C
⋅
(
Φ
(
S
a
f
t
e
r
)
−
Φ
(
S
b
e
f
o
r
e
)
)
T_{amortized}(o) = T_{actual}(o)+C·(\Phi(S_{after})-\Phi(S_{before}))
Tamortized(o)=Tactual(o)+C⋅(Φ(Safter)−Φ(Sbefore))
等式左边反映的是对于某个数据结构操作 o o o的 amortized 复杂度。 o o o指的在该数据结构上一系列操作中的任意一次单独操作。 T a c t u a l ( o ) T_{actual}(o) Tactual(o) 指该次操作实际的复杂度。 S S S表示的是该数据结构的状态， Φ \Phi Φ是一个映射函数，将状态 S S S映射成一个非负整数。 C C C是任意非负固定常数。
我看这个wiki上面的对于potential method的翻译译作**“电位法”。这个状态 Φ S \Phi S ΦS可以理解为当前数据结构的混乱状态或者距理想状态的差距**。越不混乱那么就越接近理想，越有序。
因为amortized analysis的引入就是考虑到有些操作有时会复杂度很高，而有些时候复杂度又很低，我们想知道一系列操作下来，这个操作的**“均摊”**复杂度(相比最坏情况更贴合实际)怎么样。之前的两种方法都是要结合一个 sequence 的操作来解 该操作的“均摊”复杂度——Aggregate的思路是先求sequnce整体复杂度再平均，Accounting则是使操作能为数据结构存储一定的令牌，复杂度低的积攒令牌，而面对复杂度高的确保令牌消耗不透支，来求得“均摊”复杂度。**而现在电位法只需要考虑某一次操作，它的实际复杂度以及 它对势能的改变的贡献就能得知该操作的“均摊”复杂度了。**其思路大致与accounting类似，只不过视角不一。一般低复杂度的操作天然会使状态更混乱，而复杂度高的操作一般都会涉及到维护问题，需要“人为”的降低混乱程度。(参考热力学第二定律?)
举例分析
在算法设计搬运（3）——Heaps中我们用aggregate，eager binomial heaps 的insert和deleteMin的“均摊”复杂度分别是 Θ ( 1 ) \Theta(1) Θ(1)和 Θ ( log n ) \Theta(\log n) Θ(logn)。
eager binomial heap 的 insert
我们用
Φ
\Phi
Φ表示当前保存了当前二项堆的数量(假设一开始存储了
n
n
n个节点)。插入首先要把一个node link到collection里面，O(1)。初始
Φ
=
log
n
\Phi = \log n
Φ=logn 。
假设这次操作进行了合并了
k
k
k次，actual cost =
2
+
k
2 + k
2+k 。
而每一次合并则会使 binomial heap 的数量 -1。由此插入后的
Φ
=
1
+
log
n
−
k
\Phi = 1+ \log n - k
Φ=1+logn−k。所以
T
a
m
o
r
t
i
z
e
d
(
o
)
=
2
+
k
+
C
⋅
(
1
+
log
n
−
k
−
log
n
)
=
2
+
C
−
(
C
−
1
)
⋅
k
≤
2
+
C
=
Θ
(
1
)
T_{amortized}(o) = 2 + k + C·(1 + \log n - k - \log n) = 2 + C - (C - 1) \cdot k \leq 2 +C = \Theta(1)
Tamortized(o)=2+k+C⋅(1+logn−k−logn)=2+C−(C−1)⋅k≤2+C=Θ(1)
Insert worst-case 的均摊复杂度
Θ
(
1
)
\Theta(1)
Θ(1)。(actual cost =
2
+
k
2 + k
2+k，1是link，
1
+
k
1+k
1+k是
k
k
k次合并要扫描
k
+
1
k+1
k+1个位置的 heap，从order低到高扫)
eager binomial heap 的 deleteMin
初始
Φ
=
log
n
\Phi = \log n
Φ=logn，首先找minimum
O
(
log
n
)
O(\log n)
O(logn)。
假设minimum是
B
k
B_k
Bk的 root，那么 remove root之后产生
k
k
k个新heap，
B
0
,
B
1
,
.
.
.
,
B
k
−
1
B_0,B_1,...,B_{k-1}
B0,B1,...,Bk−1，link进collection 的
c
o
s
t
=
k
cost = k
cost=k。
那么假设进行了
m
m
m次合并，且已知扫描了
k
k
k个位置，
c
o
s
t
=
m
+
k
+
O
(
log
n
)
cost = m+k+O(\log n)
cost=m+k+O(logn)。最终
Φ
=
log
n
−
1
+
k
−
m
\Phi = \log n - 1 + k - m
Φ=logn−1+k−m
T
a
m
o
r
t
i
z
e
d
(
o
)
=
m
+
2
k
+
C
⋅
(
log
n
−
1
+
k
−
m
−
log
n
)
=
O
(
k
+
log
n
)
T_{amortized}(o) = m+2k + C\cdot (\log n -1+k-m -\log n) = O(k+\log n)
Tamortized(o)=m+2k+C⋅(logn−1+k−m−logn)=O(k+logn)
因为
k
,
m
=
O
(
log
n
)
k,m = O(\log n)
k,m=O(logn)，所以最终的均摊复杂度其实
=
O
(
log
n
)
=O(\log n)
=O(logn)。(需不需要存min 指针并更新都一样)
(这里的Union指合并两个binomial heap，先扫描如果有同order则比较二者根大小，小者作为 rank+1的新根，同时order+1，大者根的 sibling指向小者此时的 child link，然后新根的 child link 再指向大者。结果就是大的作为小者的最左子树——细节，图片来源于 Stony Brook CSE548 lecture-9)
扫一扫
1363
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
