1
Selektion
DNA-Array oder DNA-Chip
• Jeder Punkt des Feldes repräsentiert
ein Gen gi des Menschen.
• Ein Gen ist der Bauplan eines molekularen Bausteins unseres Körpers.
• Mittels eines DNA-Chips kann man
gleichzeitig für viele Gene (n) messen,
in welchem Maße bestimmte Bausteine unseres Körpers zu einem
bestimmten Zeitpunkt produziert
werden (welche Gene in welchem
Maße exprimiert werden).
• Mittels dieser Chips kann man zum Beispiel die Gen-Expression verschiedener
Zellkulturen (Tumorzellen mit normalen Zellen) miteinander vergleichen:
Gene, die stärker in der ersten Zellart exprimiert werden, leuchten intensiv rot.
Gene, die stärker in der zweiten Zellart exprimiert werden, leuchten intensiv grün.
Die Differenz a[i] der Gen-Expression eines Gens gi in den beiden Zellarten kann
man in Form einer reellen Zahl angeben: a[i]  [-1,1] für alle i = 0, 1, ... , n-1.
Aufgabe: Sortiere die Gene aufsteigend nach den Werten der Differenzen a[i].
Selektion
2
Gegeben ein Feld a der Größe n mit reellen Zahlen a[i], i = 0, 1, ... ,n.
Sortiere die Zahlen in aufsteigender Reihenfolge.
Nach dem Sortieren gilt:
a[0]  a[1]  a[2]  ...  a[n-1]
Allgemeine Formulierung des Sortier-Problems:
Gegeben eine Menge A von Elementen aus einem Universum U, auf dem
es eine Ordnungsrelation „“ gibt. Sortiere die Elemente der Menge A in
aufsteigender (fallender) Reihenfolge bezüglich der Ordnungsrelation.
Beispiel 1:
Universum U = die Menge aller englischen Wörter
Ordnungsrelation = lexikographische Ordnung für „Strings“
Beispiel 2:
Universum U = die Menge aller Studenten der Universität.
Ordnungsrelation = Matrikelnummer
Wir werden im folgenden Abschnitt verschiedene Sortier-Verfahren
kennen lernen und dabei einige Problemlösestrategien diskutieren.
3
Selektion
Problem T(n) = Konkatenation ( Problem B(n) , Problem T(n-1) )
B(n) = Berechne das Minimum von n Zahlen
d

T (n)  
 c 1  c 2 n  T ( n  1)
n=1
n>1
4
Selektion
k 10
0
10
2
6
9
3
1
4
5
7
8
0
10
int index_of_minimum(int [ ] a, int min_index, int max_index) {
int index = min_index;
for (int i = min_index; i < max_index ; i++)
if (a[index] > a[i]) index = i;
return index;
}
Die obige Funktion sucht im Teilfeld von Feld „a“ zwischen dem Index „min_index“
und „max_index“ nach der Feldkomponente, die die kleinste Zahl enthält, und gibt
deren Index zurück. Mit Hilfe dieser Funktion können wir „a“ wie folgt sortieren:
void trivial_sort(int [ ] a, int size_of_a) {
for (int i = 0; i < size_of_a ; i++) {
int j = index_of_minimum(a, i, size_of_a); // Suche nächstes Min.
int k = a[ i ];
// Zwischenspeicherung a[i]
a[ i ] = a[ j ];
// die nächste sortierte Zahl
a[ j ] = k;
}
}
5
Selektion
10
k
0
10
29
68
97
36
15
4
53
72
81
0
10
Der Zeitaufwand für die for-Schleife im i-ten Schritt ist gleich
c(n  i)
wobei c > 0 eine Konstante ist und n (size_of_a) die Größe des Feldes a.
Die Gesamtlaufzeit von trivial_sort ist daher:
n 1
n 1
c  ( n  i ) c (  n 
i0
i0
n 1

i0
n n
2
i)  c(n 
2
2
n n
2
)c
  (n )
2
Satz [1]:
Die (worst-case) Laufzeit von „trivial_sort“ ist in (n2), wobei n die Größe
der Eingabe (Größe des Feldes) ist.
2
6
Selektion
Ein Heap ist ein binärer Baum mit den folgenden Eigenschaften:
[1] Für jeden Knoten v des Heaps mit einem Vater v.parent (!= NULL) gilt:
v.key  v.parent->key
[2] Der Heap wird beginnend mit der Wurzel in einer bestimmten Reihenfolge (möglichst weit oben und soweit links wie möglich) Schicht für
Schicht aufgefüllt (siehe Abbildung unten links, die Zahlen geben die
Reihenfolge an):
5
1
2
4
8
5
9
9
3
6
usw.
11
7
16
7
10
8
13
17 6
Durch das Einführen eines neuen Elements (an der richtigen Position)
kann die Heap-Eigenschaft verletzt werden.
7
Selektion
Wir nehmen an, dass v ein Zeiger auf einen (den eingefügten) Knoten ist.
Die Reparatur erfolgt durch Hochschieben des neuen Knotens v, d.h.,
solange
v->key < v->parent->key
vertauscht man Vater und Sohn:
int help = v->key;
v->key = v->parent->key;
v->parent->key = help;
5
6
9
v = v->parent;
11
16
7
9
6
10
17 10
6
8
13
8
Selektion
Aufgrund der Reihenfolge der Einfügungen hat ein Heap mit n Elementen
Höhe log(n). Da man bei jeder Einfügung höchstens den Pfad vom EinfügeKnoten bis zur Wurzel wandert und dabei pro Knoten nur konstante Zeit benötigt, hat jede Einfüge-Operation im schlimmsten Fall Laufzeit O(log n).
Ein Heap mit n Elementen kann daher in Zeit O(n log n) aufgebaut werden.
Das kleinste Element in einem Heap ist in der Wurzel gespeichert.
Mit Hilfe eines Heaps kann man nun die n Elemente wie folgt sortieren:
Solange der Heap nicht leer ist, führt man die folgenden Operationen aus:
• Entnehme das Element in der Wurzel und
speichere es am Ende des Feldes der bereits
6
10
9
sortierten Elemente.
17
5
6
7
10
• Bewege das zuletzt eingefügte Element
11
10
8
9 17
in die Wurzel.
• Schiebe das Element solange
6
17 10
nach unten, bis die Heap-Eigen- 16
schaft wiederhergestellt ist.
5
6
7
usw.
8
7
17
13
9
Selektion
Wie bewegen wir die in der Wurzel eingefügten Elemente auf ihren Platz?
Wir simulieren den Heap mit einem Feld a[0,n-1]:
void shift_down( int [ ] a, int i, int last) {
a[0]
a[1]
a[3]
a[7]
a[2]
a[4] a[5]
a[8]
bool finished = false;
int k ;
while (!finished) {
a[6]
if ((2*i+2) < last) {
if (a[2*i+2] < a[2*i+1]) k = 2*i+2;
else
k = 2*i+1;
} else if ((2*i+1) < last) k = 2*i+1;
else return;
if (a[ i ] > a[ k ]) {
int help = a[ i ];
a[ i ] = a[ k ];
a[ k ] = help;
i = k;
} else finished = true;
usw.
Das linke Kind des Knotens
mit Index i hat den Index 2i + 1.
Das rechte Kind des Knotens
mit Index i hat den Index 2i + 2.
}
}
Selektion
Wie machen wir aus dem Feld einen Heap?
Wir simulieren den Heap mit einem Feld a[0,n-1]:
a[0]
a[1]
a[3]
a[7]
a[2]
a[4] a[5]
a[8]
a[6]
usw.
void heapify( int [ ] a, int size_of_a) { // macht einen Heap aus Feld a
for (int i = size_of_a - 1; i >= 0; i--) shift_down(a, i, size_of_a);
}
Die obige Funktion baut einen Heap, in dem sie Baumschicht für Baumschicht die Heap-Eigenschaft herstellt. Hierbei beginnen wir mit der
untersten Schicht.
10
11
Selektion
Wie sortieren wir mit einem Heap (Feld)?
O.B.d.A sortieren wir die Zahlen im Feld fallend (das letzte Element ist das
kleinste):
5
10
17
6
7
17
10
9
6
help
11
16
8
7
10
9
6
5
17
6 10
6
17
8
13
usw.
void heap_sort( int [ ] a, int size_of_a) {
heapify(a, size_of_a);
for (int i = size_of_a - 1; i > 0 ; i--) {
int help = a[i];
a[ i ] = a[0];
a[0] = help;
shift_down(a, 0 , i);
}
}
// Sortiert das Feld a
// Baue den Heap
// Rette den Schlüssel von a[i]
// ein weiteres Element sortiert
// neuer Schlüssel für die Wurzel
// Reparatur der Heap-Eigensch.
Selektion
Satz [3]:
Heap-Sort sortiert ein Feld mit n Elementen in Zeit O(n log n).
Beweis:
Der Aufbau des Heaps „heapify“ hat eine Laufzeit von O(n log n).
Jede Iteration i der „for“-Schleife hat im „worst-case“ Laufzeit O(log n),
wobei wir in jedem Durchgang ein Element einsortieren.
12
Selektion
13
Idee
1. Zerlege das ursprüngliche Problem der Größe n in kleinere Teilprobleme.
2. Man löse die Teilprobleme und
3. setze die Gesamtlösung aus den Lösungen der Teilprobleme zusammen.
Zum Beispiel könnten wir das Problem der Größe n in zwei Teilprobleme
der Größe n/2 zerlegen.
T(n) = ? (T(n/2), T(n/2))
14
Selektion
T(n) = Merge (T(n/2), T(n/2))
Frage 1: Wie können wir das Sortierproblem zerlegen?
10
2
6
9
3
1
4
5
7
8
0
10
2
6
9
3
1
4
5
7
8
0
Wir zerlegen das Feld in zwei Teilfelder der Länge (ungefähr) n/2!
Frage 2: Nehmen wir an, dass die beiden Teilfelder sortiert sind?
1
2
3
6
9
10
0
4
5
7
8
Wie können wir aus den Teillösungen die Gesamtlösung
effizient berechnen?
Man mische die sortierten Halbfelder zu dem sortierten Feld!
1
2
3
6
9
10
0
4
5
7
8
0
1
2
3
4
5
6
7
8
9
10
15
Selektion
void merge(int [ ] a, int s1, int e1, int s2, int e2) {
int b = new int[e2-s1+1];
// Speicherplatz für sortierte Folge
int i = s1, j = s2, k = 0;
// Indexzähler
for ( ; i <= e1 && j <= e2 ; k++ ) {
if (a[i] <= a[j]) { b[k] = a[i]; i++; }
else
{ b[k] = a[j]; j++; }
}
for ( ; i <= e1; k++,i++) b[k] = a[i]; // Leere den Rest des erstes Teilfelds
for ( ; j <= e2; k++,j++) b[k] = a[j]; // Leere den Rest des zweiten Teilfelds
for ( k = 0, i = s1 ; i <= e2; i++,k++) a[i] = b[k]; // Kopiere sortierte Folge
}
Man mische die sortierten Halbfelder zu dem sortierten Feld!
1
2
3
6
9
10
0
4
5
7
8
0
1
2
3
4
5
6
7
8
9
10
Selektion
void merge(int [ ] a, int s1, int e1, int s2, int e2) {
int b = new int[e2-s1+1];
// Speicherplatz für sortierte Folge
int i = s1, j = s2, k = 0;
// Indexzähler
for ( ; i <= e1 && j <= e2 ; k++ ) {
if (a[i] <= a[j]) { b[k] = a[i]; i++; }
else
{ b[k] = a[j]; j++; }
}
for ( ; i <= e1; k++,i++) b[k] = a[i]; // Leere den Rest des erstes Teilfelds
for ( ; j <= e2; k++,j++) b[k] = a[j]; // Leere den Rest des zweiten Teilfelds
for ( k = 0, i = s1 ; i <= e2; i++,k++) a[i] = b[k]; // Kopiere sortierte Folge
}
Unter der Annahme, dass die beiden Teilfelder a[s1,e1] und a[s2,e2] bereits
(korrekt) sortiert sind, folgt die Korrektheit des Algorithmus „merge“ aus der
Tatsache, dass die Indizes i und j jeweils die kleinsten noch nicht in „b“ einsortierten Elemente der beiden Teilfelder repräsentieren und dass das Minimum dieser beiden Zahlen folglich die kleinste noch nicht verarbeitete Zahl
des Rests sein muss.
Die Laufzeit von „merge“ für zwei Teilfelder der Länge n/2 ist (n).
16
Selektion
17
void merge_sort(int [ ] a, int min, int max) {
if (max-min > 0) {
// Gibt es was zu tun ?
merge_sort(a, min, min + ((max-min)/2));
// Sortiere das erste Teilfeld
merge_sort(a, min +((max-min)/2) +1, max); // Sortiere das zweite Teilfeld
merge(a, min, min + ((max-min)/2), min + ((max-min)/2) +1, max);
}
}
Laufzeit des Algorithmus „merge_sort“ für ein Feld der Größe n:
T (1)  c
n
T ( n )  2 T ( )  dn
2
n
T ( n )  4 T ( )  dn  dn
4
log n
T (n)  2
T (1)  dn log n  cn  dn log n   ( n log n )
Satz [2]:
Die Laufzeit des MergeSort-Algorithmus für ein Feld der Größe n ist
(n log n).
Selektion
Idee: Man wähle zufällig ein Element e aus den n Elementen
der Menge E und man vergleiche alle anderen Elemente mit e.
Mit Hilfe dieser Vergleiche zerlegt man E in zwei Teilmengen:
Ee mit Schlüssel kleiner gleich dem Schlüssel von e.
E>e mit Schlüssel größer dem Schlüssel von e.
Man führe rekursiv die gleiche Prozedur für E>e und E e aus.
QS(E) = Vergleich(E\e, e) + QS(E  e) + QS(E>e )
18
Selektion
Die Zahl der Elemente in den beiden Mengen Ee , E>e
hängt natürlich von e ab. Wenn man (ständig) Pech hat (im
worst case), ist eine der Mengen immer leer, z.B. E>e , und
der Algorithmus hat die gleiche Komplexität (O(n2)) wie
„Insertion_Sort“ und „trivial_Sort“.
Falls man immer durch die Wahl von e zwei ungefähr gleich
mächtige Mengen produziert, dann erhält man als Laufzeit:
QS(n) = 2QS(n/2) + cn  O(n log n)
19
20
Selektion
L
L
L
04
2
16
LR
39
43
91
10
5
R
R
R
7
8
60
78620
4
e
Pivot-Element
21
Selektion
void quick_sort(int [ ] a, int start, int end) {
int length = end - start +1;
if( length > 1) {
int L = start;
int R = end;
int e = a[L];
// wir wählen e als die erste Zahl im Feld
int temp = a[R];
while (L < R) {
if (temp < e) { a[L] = temp; L++; temp = a[L]; }
else
{ a[R] = temp; R-- ; temp = a[R] }
}
a[L] = e;
if ( (L-1) > start) quick_sort(a, start, L-1);
if ((R+1) < end) quick_sort(a, R+1, end);
}
}
L
0
2
4
e
R
9
3
10
5
7
8
6
1
temp
Selektion
void quick_sort(int [ ] a, int start, int end) {
int length = end - start +1;
if( length > 1) {
int L = start;
int R = end;
int e = a[L];
// wir wählen e als die erste Zahl im Feld
int temp = a[R];
while (L < R) {
if (temp < e) { a[L] = temp; L++; temp = a[L]; }
else
{ a[R] = temp; R-- ; temp = a[R] }
}
a[L] = e;
if ( (L-1) > start) quick_sort(a, start, L-1);
if ((R+1) < end) quick_sort(a, R+1, end);
}
}
Die Laufzeit von QuickSort ist proportional zur Zahl der Vergleiche zweier Feldelemente, die in der while-Schleife von allen rekursiven Aufrufen ausgeführt
werden. Man beachte, dass jedes Paar von Feldelementen höchstens einmal
verglichen wird.
22
23
Selektion
Der Einfachheit halber benennen wir die Feldelemente in a um:
z1 < z2 < ... < zn
so dass zi das i-t kleinste Element ist.
Ferner bezeichnen wir mit Zij die folgende Menge von Feldelementen:
Zij = { zi , zi+1 , ... , zj }
Unsere Analyse basiert wieder auf der Untersuchung von Zufallsvariablen:
X ij
1

0
falls zi und zj miteinander verglichen werden
sonst
Die Zahl der Vergleiche X ist gleich
n
X 
n

X ij
i 1 j  i  1
Daher ist die erwartete Zahl E[X] von Vergleichen (Laufzeit) gleich
 n
E[ X ]  E 
 i 1

 X ij  
j  i 1

n
n
n
  E[ X
i 1 j  i  1
n
ij
] 
n

i 1 j  i  1
p ({ X ij  1})
24
Selektion
p( {Xij = 1}) = p( zi wird mit zj verglichen)
Sei e das erste Pivot-Element das aus der Menge
Zij = { zi , zi+1 , ... , zj }
gewählt wird:
1. Ist e = zi oder zj , so werden zi oder zj miteinander verglichen.
2. Ist e aus der Menge Zi+1 , j-1 , dann gilt für die entstehenden Teilmengen.
Eine der beiden Teilmengen, die durch den Vergleich mit dem
Pivot-Element e gebildet werden, enthält zi und die andere zj , d.h.,
zi und zj werden nicht miteinander verglichen.
25
Selektion
p({Xij = 1}) = p( zi wird mit zj verglichen)
= p( zi oder zj wird als erstes Pivot-E. aus Zij gewählt)
= p( zi wird als erstes Pivot-Element aus Zij gewählt) +
p( zj wird als erstes Pivot-Element aus Zij gewählt)
Jedes Element von Zij wird mit gleicher WSK als erstes gezogen!
p ({ X ij  1}) 
1
j  i 1

1
j  i 1

2
j  i 1
26
Selektion
n
E[ X ] 
n

n
p ({ X ij  1}) 
i 1 j  i  1
n

2
i 1 j  i  1
j  i 1
Wir führen einen neuen Index k = j - i in die obige Gleichung ein:
n
E[ X ] 
ni

i 1 k 1
2
k 1
n

n
2
 k
i 1 k 1
n

 c log
n
i 1
n
 c  log n
 O ( n log n )
i 1
Satz [4]:
Die erwartete Laufzeit von QuickSort für n Elemente ist O(n log n).
Beweis: (siehe oben).
27
Selektion
Wir betrachten jetzt den Fall, dass alle Schlüssel aus einem bestimmten
Intervall [a,b[ der reellen Zahlen stammen und uniform verteilt sind.
Uniforme Verteilung:
Für jede Zahl z[a,b[ aus der vorgegebenen Menge gilt: Die WSK,
dass z aus einem bestimmten Teilintervall [c,d[ von [a,b[ ist, ist
p ( z  [ c , d [) 
d c
ba
Der Einfachheit halber nehmen wir o.B.d.A. an, dass die Zahlen aus dem
Intervall [0,1[ stammen. Dann gilt für die obige Wahrscheinlichkeit:
p ( z  [ c , d [)  d  c
Für c = i/n und d = (i+1)/n folgt also:

 i i  1 1
p  z   ,
 

n n  n

für alle i  {0, 1, ... , n-1}.
Selektion
Idee von BucketSort
1. Teile das Intervall [0,1[ in n gleich große Intervalle,
die Buckets.
2. Ordne die n Schlüssel ihren Buckets zu.
3. Sortiere die Elemente in den Buckets (Insertion_Sort).
4. Gehe durch der Buckets und hänge alle sortierten
Listen zusammen.
Aufgrund der uniformen Verteilung sollten die Elemente
gleichmäßig über alle Buckets verteilt sein.
28
29
Selektion
Eine geeignete Datenstruktur für Bucket-Sort wäre zum
Beispiel ein Feld B der Größe n, wobei jedes Feldelement
einen Zeiger auf eine Liste von Elementen enthält:
0.78
A
NULL
0.17
0.12
0.17
0.39
0.21
0.23
0.26
0.39
0.72
0.94
B
NULL
NULL
NULL
0.68
0.12
0.72
0.68
0.26
NULL
0.21
0.23
NULL
NULL
0.78
NULL
NULL
0.94
NULL
Das Feldelement B[i] enthält einen Zeiger auf die Liste mit
den Zahlen im Intervall
 i i  1
n , n 


30
Selektion
Sei ni die Zahl der im Bucket i gespeicherten Elemente. Die
Laufzeit von Bucket-Sort wird durch die folgende Rekursionsgleichung gegeben (n = size_of_a):
n 1
T ( n )  cn 

2
dn i
Die erwartete Laufzeit ist folglich:
i0

E T ( n )   E  cn 

n 1

i0
n 1

2
2
dn i   E [ cn ]  d  E [ n i ]
i0

n 1
 cn  d  E [ n ]
2
i
i0
Auf der folgenden Folie zeigen wir, dass E[ni2] = 2 – 1/n ist.
Hieraus folgt:
E T ( n )   cn  2 dn  d  O (n )
Selektion
31
Wir führen die folgenden Zufallsvariablen (Indikatorvariablen)
ein:
1
X ij  
0
falls a[j] Bucket b[i] zugeordnet wird
sonst
für i = 0, 1, ... , n-1 und j = 0, 1, ... , n-1
Es gilt:
n 1
ni 

X ij
j0
Hieraus folgt:
nächste Seite
32
Selektion
2
n 1 n 1
  n 1




2
E [ n i ]  E    X ij    E    X ij X ik 


 j  0

j0 k 0





 n 1
2
 E   X ij 
 j0

n 1 n 1

j0 k 0
k j
n 1

 E[ X
j0
E[ X ]  1*
2
ij
1
n

X ij X ik 


n 1 n 1
2
ij
]
  E[ X
ij
X ik ]
j0 k 0
k j
 0 * (1 
1
n
)
1
n
nächste Seite
33
Selektion
n 1
E[n ] 
2
i

j0
1
n 1 n 1

n
  E[ X
ij
X ik ]
j0 k 0
k j
Da kj, sind die Zufallsvariablen Xij und Xik unabhängig
n 1


j0
n 1


j0
1
n 1 n 1

n
1
  E[ X
ij
] E [ X ik ]
j0 k 0
k j
n 1 n 1

n
 11

j0 k 0
k j
1
n
1 1
n
n n
 2
1
n
1
n
 n ( n  1)
1
n
2
Selektion
Satz [5]:
Unter der Annahme, dass die Schlüssel der n zu sortierenden Elemente
reelle Zahlen aus einem Intervall [a,b[ sind, welche uniform verteilt sind,
kann man mit BucketSort die n Elemente in erwarteter Zeit O(n) sortieren.
34
Selektion
Die O(n log n) Sortierverfahren, die wir in diesem
Abschnitt kennen gelernt haben, basieren alle auf
Vergleichen von Schlüsseln.
Beim vergleichenden Sortieren verwenden wir nur
Vergleiche von Elementen, um die Ordnung der
Eingabemenge (a[0]=a0, a[1]=a1, ... , a[n-1]=an-1)
zu berechnen: Genauer:
Gegeben zwei Elemente (die Schlüssel zweier
Elemente) ai und aj. Wir führen einenTest ai < aj ,
ai  aj , ai = aj , ai > aj oder ai  aj aus.
Wir nehmen in diesem Abschnitt an, dass alle
Schlüssel verschieden sind, d.h., Vergleiche der
Form ai = aj sind nicht erforderlich.
35
Selektion
Das Entscheidungsbaummodell
Der Ablauf von vergleichenden Sortierverfahren kann
mittels Entscheidungsbäumen abstrakt dargestellt werden.
Ein Entscheidungsbaum ist ein binärer Baum, der alle
möglichen Folgen von Vergleichen eines vergleichenden
Sortier-Algorithmus für alle möglichen Eingabenmengen
einer bestimmten Größe n repräsentiert.
Alle anderen Aspekte des Algorithmus werden ignoriert.
36
37
Selektion
Falls das Erste kleiner
gleich dem Zweiten

Vergleiche das erste und
das zweite Eingabeelement
1:2

>
1:3
2:3

>
1:3
(1,2,3)

(1,3,2)
>
2:3
(2,1,3)
>
(3,1,2)

(2,3,1)
>
(3,2,1)
Das Beispiel zeigt einen Entscheidungsbaum für ein triviales Sortierverfahren mit
drei Elementen. Die Knotenbeschriftung i:j zeigt an, dass das i-te Element mit dem
j-ten Element verglichen werden soll. Je nachdem, wie der Vergleich endet, folgt
man der entsprechenden Kante (zum nächsten Vergleich oder zum Resultat des
Sortiervorgangs). Die Blätter repräsentieren die sortierten Folgen (Permutationen)
der Eingabeelemente:
((0), (1), ... , (n-1))
so dass
a(0) < a(1) < ... < a(n-1)
38
Selektion
Falls das Erste kleiner
gleich dem Zweiten

1:2

>
Vergleiche das erste und
das zweite Eingabelement
1:3
2:3

>
1:3
(1,2,3)

(1,3,2)
>
2:3
(2,1,3)
>
(3,1,2)

(2,3,1)
>
(3,2,1)
Da jeder korrekte Sortier-Algorithmus in der Lage sein muss, jede Permutation
der Eingabeelemente zu produzieren, so muss der Entscheidungsbaum eines
solchen Algorithmus für die Problemgröße n über n! Blätter verfügen.
Jedes dieser Blätter muss von der Wurzel aus durch einen entsprechenden
Pfad erreichbar sein, der zu einer tatsächlichen Ausführung des Algorithmus
auf einer entsprechenden Eingabemenge korrespondiert.
39
Selektion
Falls das Erste kleiner
gleich dem Zweiten

1:2

>
Vergleiche das erste und
das zweite Eingabelement
1:3
2:3

>
1:3
(1,2,3)

(1,3,2)
>
2:3
(2,1,3)
>
(3,1,2)

(2,3,1)
>
(3,2,1)
Die Länge des längsten Pfades von der Wurzel des Entscheidungsbaumes zu
irgend einem Blatt repräsentiert die Zahl der Vergleiche im „worst-case“ (die
worst-case Laufzeit) des Sortier-Algorithmus für die entsprechende Problemgröße n. Daher entspricht die Höhe des Baumes der „worse-case“ Performanz
des entsprechenden Algorithmus.
Folglich ist eine untere Schranke für die Höhe aller möglichen Entscheidungsbäume, in denen jede Permutation als ein Blatt erscheint, auch eine untere
Schranke für die Laufzeit von Sortier-Verfahren, die auf Vergleichen basieren.
40
Selektion
Satz [6]:
Jeder vergleichende Sortier-Algorithmus benötigt im worst-case (n log n) Vergleiche.
Beweis:
Ein binärer Baum der Höhe h hat höchstens 2h Blätter. Jeder potentielle Entscheidungsbaum für vergleichendes Sortieren von n Elementen hat genau n!
Blätter. Folglich gilt für die Höhe jedes Entscheidungsbaumes:
n! 2
h
Durch Anwendung des Logarithmus zur Basis 2 erhalten wir:
h  log( n! )
Aus der Stirling-Formel
n
1
1
 n  n
n 
mit
folgt:
n!  2 n   e
12 n  1
12 n
e
1
n
n
log( n! )  log( 2 n )  n log( )  log( e ) n  n log( )
2
e
e
1
1
 n log( n )  n log( e )  n log( n )  n log( n )  n log( n )
2
2
Für alle n mit log(n) > 2 log(e) gilt
h   ( n log( n ))
Selektion
41
Satz [7]:
Heap-Sort und Merge-Sort sind asymptotisch optimale vergleichende Sortierverfahren.
Beweis:
Die obere Schranke von O(n log n) für die Laufzeit der Algorithmen stimmt überein
mit der unteren Schranke von (n log n) für vergleichende Sortierverfahren.

Satz [1]