位图数据结构的运用

  海量数据排序问题：文件包含1千万条电话号码记录(10**7次方)，每条记录都是7位整数，没有重复的整数。要求对文件进行排序，注意大约只有1MB的内存空间可用，有充足的磁盘存储空间可用。请设计一个高效的算法。
  （1）运用多趟算法：如果每个号码都使用32位整数来表示，则在1MB存储空间里大约可以存250000个号码。因此，可以使用遍历输入文件40趟的程序来完成排序。在第一趟中，将0至249999之间的任何整数读入内在，对其进行排序后写到输出文件中。第二趟遍历250000至499999之间的整数，依此类推，到第40趟遍历的时候对9750000至9999999之间的整数进行排序。
  （2）运用位图数据结构：使用一个具有1000万个位的串（约1.25MB）来表示这个文件，其中当且仅当整数i在文件中存在时，第i位为1。首先将所有的位都置为0,从而将集合初始化为空。然后通过读入文件中的每个整数来建立集合，将每个对应的位都置为1。最后扫描每一位，如果该位为1就输出对应的整数，由此产生有序的输出文件。

#include <stdio.h> #define BITSPERWORD 32 #define SHIFT 5 #define MASK 0x1F #define N 10000000 int a[1+N/BITSPERWORD]; /* 表示1000万个整数的位向量 */ /* 设置整数i所在的位 */ void set(int i){ /* a中每个元素能表示32个整数，因此表示整数i的位是元素a[i/32]中的某个位， 这个位在a[i/32]的左越第i & 5（i的末五位表示的整数）个位处 */ a[i>>SHIFT] |= (1<<(i & MASK)); } /* 清除整数i所在的位 */ void clr(int i){ a[i>>SHIFT] &= ~(1<<(i & MASK)); } /* 测试位向量中是否有整数i */ int test(int i){ return a[i>>SHIFT] & (1<<(i & MASK)); } int main(void){ int i; for(i=0;i<N;++i) clr(i); while(scanf("%d",&i)!=EOF) //输入要排序的整数 set(i); for(i=0;i<N;++i) if(test(i)) printf("%d/n",i); return 0; }

  （3）排序算法：用C标准库函数qsort，采用的是快速排序。

#include <stdio.h> #include <stdlib.h> int intcomp(int *x,int *y){ return *x-*y; } int a[10000000]; int main(void){ int i,n=0; while(scanf("%d",&a[n])!=EOF) //输入要排序的整数 n++; qsort(a,n,sizeof(int),intcomp); for(i=0;i<n;++i) printf("%d/n",a[i]); return 0; }

  （4）基于集合的排序算法：用C++ STL中的set容器。

#include <cstdio> #include <iostream> #include <set> using namespace std; int main(void){ set<int> sint; int i; set<int>::iterator j; while(cin>>i) sint.insert(i); //会进行有序的插入 for(j=sint.begin();j!=sint.end();++j) cout<<*j<<"/n"; return 0; }

  海量数据搜索问题：一个顺序文件包含40亿个随机排列的32位整数，找出一个不在文件中的32位整数。
  （1）位图技术：如果有足够的内存，可以使用位图技术。使用536870912个8位字节形成的位图来表示文件的整数。通过扫描位图即可找到缺失的整数。
  （2）排序技术：通过对文件进行快速排序，我们能够找到缺失的整数。这时总的运行时间正比于nlogn。
  （3）二分搜索技术：如果仅有几百个字节的内存和几个外部的临时顺序文件可用呢？采用二分搜索技术并结合多趟算法。第一遍通过多趟读取40亿个输入整数，并把起始位为0的整数写入一个顺序文件，把起始位为1的整数写入另一个顺序文件。这两个文件中有一个文件最多包含20亿个整数，接下来将该文件用作当前输入并重复探测过程，但这次探测的是第第二个位。如果原始的输入文件包含n元素，那么第一遍将读取n个整数，第二遍最多读取n/2个整数，第三遍最多读取n/4个整数，依此类推，最后我们可以找到缺失的整数。所以总的运行时间正比于n。
  关键算法设计思想：位图数据结构、集合数据结构、多趟策略、排序策略、二分搜索策略。