Як знайти kth найбільший елемент у несортованому масиві довжиною n в O (n)?


220

Я вважаю, що існує спосіб знайти найбільш великий елемент в несортованому масиві довжиною n в O (n). А може, це "очікуване" O (n) чи щось таке. Як ми можемо це зробити?


49
До речі, майже кожен описаний тут алгоритм перетворюється на O (n ^ 2) або O (n log n), коли k == n. Тобто, я не думаю, що жоден з них є O (n) для всіх значень k. Я відмовився від вказівки на це, але подумав, що ти повинен знати все-таки.
Кірк Страузер

19
Алгоритми вибору можуть бути O (n) для будь-якого фіксованого значення k. Тобто, ви можете мати алгоритм вибору для k = 25, тобто O (n) для будь-якого значення n, і ви можете це зробити для будь-якого конкретного значення k, яке не пов'язане з n. Випадок, коли алгоритм більше не O (n), це коли значення k має деяку залежність від значення n, наприклад, k = n або k = n / 2. Це, однак, не означає, що якщо вам трапляється запускати алгоритм k = 25 у списку з 25 елементів, це раптом більше не O (n), оскільки O-позначення описує властивість алгоритму, а не конкретного запустити його.
Тайлер Макенрі

1
Мені це питання було задано в інтерв'ю Amazon як загальний випадок пошуку другого найбільшого елемента. До речі, інтерв'юер вев інтерв'ю, я не питав, чи можу я знищити оригінальний масив (тобто сортувати його), тому я придумав складне рішення.
Самбатіон

4
Це питання 9 у колонці 11 (сортування) перлин програмування Джона Бентлі.
Цянь Сюй

3
@KirkStrauser: Якщо k == n або k == n-1, то це стає тривіальним. Ми можемо отримати макс або 2 макс в одному проході. Тож алгоритми, представлені тут, будуть практично використані для значень k, які не належать {1,2, n-1, n}
Адітя Джосі

Відповіді:


173

Це називається знаходженням статистики k-го порядку . Існує дуже простий рандомізований алгоритм (який називається швидким вибором ), що займає O(n)середній час, O(n^2)найгірший час, і досить складний не рандомізований алгоритм (званий інтроселект ), який займає O(n)найгірший час. У Вікіпедії є якась інформація , але це не дуже добре.

Все, що вам потрібно, - це у цих слайдах Powerpoint . Просто витягнути базовий алгоритм O(n)найгіршого алгоритму (інтроселект):

Select(A,n,i):
    Divide input into ⌈n/5⌉ groups of size 5.

    /* Partition on median-of-medians */
    medians = array of each group’s median.
    pivot = Select(medians, ⌈n/5⌉, ⌈n/10⌉)
    Left Array L and Right Array G = partition(A, pivot)

    /* Find ith element in L, pivot, or G */
    k = |L| + 1
    If i = k, return pivot
    If i < k, return Select(L, k-1, i)
    If i > k, return Select(G, n-k, i-k)

Це також дуже гарно докладно описано у книзі «Вступ до алгоритмів» Кормена та ін.


6
Дякую за слайди.
Kshitij Banerjee

5
Чому він повинен працювати розміром 5? Чому він не може працювати з розміром 3?
Джоффрі Баратеон

11
@eladv Посилання слайдів розірвано :(
Міша Морошко

7
@eladv Plese виправити пошкоджене посилання.
maxx777

1
@MishaMoroshko посилання виправлено
alfasin

118

Якщо ви хочете справжнього O(n)алгоритму, на відміну від цього O(kn)чи чогось подібного, тоді вам слід скористатися швидким вибором (це в основному хит-корт, де викинете розділ, який вас не цікавить). У мого професора є чудова реєстрація з аналізом виконання: ( посилання )

Алгоритм QuickSelect швидко знаходить k-й найменший елемент несортованого масиву nелементів. Це RandomizedAlgorithm , тому ми обчислюємо найгірший очікуваний час роботи.

Ось алгоритм.

QuickSelect(A, k)
  let r be chosen uniformly at random in the range 1 to length(A)
  let pivot = A[r]
  let A1, A2 be new arrays
  # split into a pile A1 of small elements and A2 of big elements
  for i = 1 to n
    if A[i] < pivot then
      append A[i] to A1
    else if A[i] > pivot then
      append A[i] to A2
    else
      # do nothing
  end for
  if k <= length(A1):
    # it's in the pile of small elements
    return QuickSelect(A1, k)
  else if k > length(A) - length(A2)
    # it's in the pile of big elements
    return QuickSelect(A2, k - (length(A) - length(A2))
  else
    # it's equal to the pivot
    return pivot

Який час роботи цього алгоритму? Якщо супротивник перекидає монети, ми можемо виявити, що стрижень - це завжди найбільший елемент і kзавжди 1, що дає час роботи

T(n) = Theta(n) + T(n-1) = Theta(n2)

Але якщо вибір справді випадковий, очікуваний час роботи задається числом

T(n) <= Theta(n) + (1/n) ∑i=1 to nT(max(i, n-i-1))

де ми робимо не зовсім розумне припущення, що рекурсія завжди приземляється в більшій частині A1або A2.

Згадаймо це T(n) <= anдля деяких a. Тоді ми отримуємо

T(n) 
 <= cn + (1/n) ∑i=1 to nT(max(i-1, n-i))
 = cn + (1/n) ∑i=1 to floor(n/2) T(n-i) + (1/n) ∑i=floor(n/2)+1 to n T(i)
 <= cn + 2 (1/n) ∑i=floor(n/2) to n T(i)
 <= cn + 2 (1/n) ∑i=floor(n/2) to n ai

і тепер якось ми маємо отримати жахливу суму праворуч від знака плюс, щоб поглинути cnліворуч. Якщо ми просто зв'язали це так , ми отримаємо приблизно . Але це занадто велико - немає місця, щоб вичавити зайве . Тож давайте розширимо суму за формулою арифметичного ряду:2(1/n) ∑i=n/2 to n an2(1/n)(n/2)an = ancn

i=floor(n/2) to n i  
 = ∑i=1 to n i - ∑i=1 to floor(n/2) i  
 = n(n+1)/2 - floor(n/2)(floor(n/2)+1)/2  
 <= n2/2 - (n/4)2/2  
 = (15/32)n2

де ми скористаємося тим, що n є "достатньо великим", щоб замінити негарні floor(n/2)чинники набагато чистішими (і меншими) n/4. Тепер ми можемо продовжувати

cn + 2 (1/n) ∑i=floor(n/2) to n ai,
 <= cn + (2a/n) (15/32) n2
 = n (c + (15/16)a)
 <= an

за умови a > 16c.

Це дає T(n) = O(n). Це зрозуміло Omega(n), тому ми отримуємо T(n) = Theta(n).


12
Швидкий вибір у середньому випадку становить лише O (n). Алгоритм медіани медіанів може бути використаний для вирішення проблеми в O (n) час у гіршому випадку.
Джон Курлак

У чому сенс k > length(A) - length(A2)?
WoooHaaaa

це не O (n), ви викликаєте функцію знову як рекурсивну, T (n). Всередині O (n) вже є рекурсивна функція T (n), тому, очевидно, без роздумів, загальна складність була б більшою, ніж O (n).
користувач1735921

3
@MrROY З огляду на те, що ми розділилися Aна стрижень A1і A2навколо нього, ми це знаємо length(A) == length(A1)+length(A2)+1. Отже, k > length(A)-length(A2)рівнозначно k > length(A1)+1, що вірно, коли kдесь A2.
Filipe Gonçalves

@ FilipeGonçalves, так, якщо в шарнірі немає повторюваних елементів. len (A1) + len (A2) + K-duplicate = len (A)
d1val

16

Швидкий Google на цьому ("kth найбільш великий масив елементів") повернув це: http://discuss.joelonsoftware.com/default.asp?interview.11.509587.17

"Make one pass through tracking the three largest values so far." 

(спеціально для найбільших 3D)

і ця відповідь:

Build a heap/priority queue.  O(n)
Pop top element.  O(log n)
Pop top element.  O(log n)
Pop top element.  O(log n)

Total = O(n) + 3 O(log n) = O(n)

15
ну, насправді O (n) + O (k log n), що не зменшує значущі значення K
Джиммі

2
Але знайти точку вставки у цьому подвійно пов'язаному списку - O (k).
Кірк Штраузер

1
І якщо k зафіксовано, O (k) = O (1)
Тайлер Макенрі

1
@warren: Big-O наближається, але ви завжди занадто наближені. Наприклад, Quicksort є O (n ^ 2), оскільки це найгірший випадок. це О (n + k log n).
Клавдіу

1
ви не можете ставитися до k як до постійної. Можливо, що k = n, у цьому випадку складність у часі дорівнює O (nlogn)
sabbir

11

Ви любите кікспорт. Виберіть елемент навмання та зсуньте все вище чи нижче. У цей момент ви дізнаєтеся, який елемент ви насправді вибрали, і якщо це kth елемент, який ви зробили, в іншому випадку ви повторите з біном (вищим або нижчим), щоб kth елемент потрапляв. Статистично кажучи, час потрібно знайти kth елемент, який росте з n, O (n).


2
Ось що таке швидкий вибір, FWIW.
rogerdpack

6

Аналіз супроводу алгоритму програміста дає версію, яка є O (n), хоча автор стверджує, що постійний коефіцієнт настільки високий, ви, мабуть, віддасте перевагу наївному методу сортування списку, а потім вибору.

Я відповів на ваше запитання :)


2
Не дуже правда у всіх випадках. Я реалізував медіану медіанів і порівняв її із вбудованим методом Сортування в .NET та користувацькому рішенні справді швидше пройшов на порядок. Тепер справжнє питання: чи це має значення для вас за даних обставин. Написання та налагодження 100 рядків коду порівняно з одним вкладишем окупається лише в тому випадку, якщо цей код буде виконуватися стільки разів, що користувач починає помічати різницю в часі роботи і відчуває дискомфорт в очікуванні завершення операції.
Зоран Горват

5

Стандартна бібліотека C ++ має майже такий виклик функціїnth_element , хоча вона змінює ваші дані. Він очікував лінійний час виконання, O (N), а також робить часткове сортування.

const int N = ...;
double a[N];
// ... 
const int m = ...; // m < N
nth_element (a, a + m, a + N);
// a[m] contains the mth element in a

1
Ні, він має очікуваний середній O (n) час виконання. Наприклад, в середньому швидкості є O (nlogn) з гіршим випадком O (n ^ 2). Нічого собі, щось насправді не так!
Кірк Штраузер

5
Ні, у цій відповіді нічого фактично не так. Він працює, і стандарт C ++ вимагає очікуваного лінійного часу виконання.
Девід Неме

Мене в інтерв'ю попросили припустити, що доступність простору O (k) і «n» є величезною. Я не міг сказати йому рішення O (n), оскільки думав, що nth_element потребує місця o (n). Я помиляюсь? Чи не в основі алгоритму лежить quicksort, заснований на nth_element?
Manish Baphna

4

Хоча не дуже впевнений у складності O (n), але він буде обов'язково між O (n) та nLog (n). Також переконайтеся, що ближче до O (n), ніж nLog (n). Функція написана на Java

public int quickSelect(ArrayList<Integer>list, int nthSmallest){
    //Choose random number in range of 0 to array length
    Random random =  new Random();
    //This will give random number which is not greater than length - 1
    int pivotIndex = random.nextInt(list.size() - 1); 

    int pivot = list.get(pivotIndex);

    ArrayList<Integer> smallerNumberList = new ArrayList<Integer>();
    ArrayList<Integer> greaterNumberList = new ArrayList<Integer>();

    //Split list into two. 
    //Value smaller than pivot should go to smallerNumberList
    //Value greater than pivot should go to greaterNumberList
    //Do nothing for value which is equal to pivot
    for(int i=0; i<list.size(); i++){
        if(list.get(i)<pivot){
            smallerNumberList.add(list.get(i));
        }
        else if(list.get(i)>pivot){
            greaterNumberList.add(list.get(i));
        }
        else{
            //Do nothing
        }
    }

    //If smallerNumberList size is greater than nthSmallest value, nthSmallest number must be in this list 
    if(nthSmallest < smallerNumberList.size()){
        return quickSelect(smallerNumberList, nthSmallest);
    }
    //If nthSmallest is greater than [ list.size() - greaterNumberList.size() ], nthSmallest number must be in this list
    //The step is bit tricky. If confusing, please see the above loop once again for clarification.
    else if(nthSmallest > (list.size() - greaterNumberList.size())){
        //nthSmallest will have to be changed here. [ list.size() - greaterNumberList.size() ] elements are already in 
        //smallerNumberList
        nthSmallest = nthSmallest - (list.size() - greaterNumberList.size());
        return quickSelect(greaterNumberList,nthSmallest);
    }
    else{
        return pivot;
    }
}

Приємне кодування, +1. Але не потрібно використовувати зайвий простір.
Hengameh

4

Я реалізував пошук kth мінімуму в n несортованих елементах, використовуючи динамічне програмування, зокрема метод турніру. Час виконання - O (n + klog (n)). Використовуваний механізм вказаний як один із методів на сторінці Вікіпедії про Алгоритм Вибору (як зазначено в одній із публікацій вище). Ви можете прочитати про алгоритм, а також знайти код (java) на моїй сторінці блогу Пошук Kth Minimum . Крім того, логіка може зробити часткове впорядкування списку - повернути перші K min (або max) за час O (klog (n)).

Хоча код надає результат kth мінімум, схожа логіка може бути використана для пошуку kth максимуму в O (klog (n)), ігноруючи попередню роботу, зроблену для створення дерева турніру.


3

Ви можете зробити це в O (n + kn) = O (n) (для постійної k) у часі та O (k) для простору, відслідковуючи k найбільших елементів, які ви бачили.

Для кожного елемента в масиві ви можете сканувати список k найбільших та замінити найменший елемент на новий, якщо він більший.

Однак пріоритетним вирішенням проблеми Уоррена є акуратніше.


3
Це буде найгіршим випадком O (n ^ 2), коли вас просять про найменший предмет.
Елі

2
"Найменший предмет" означає, що k = n, тому k більше не є постійним.
Тайлер Макенрі

А може, збережіть купу (або перевернуту купу, або збалансовану дереву) найбільшого k, яку ви бачили досі O(n log k)... все-таки вироджується до O (nlogn) у випадку великих k. Я думаю, це буде добре для малих значень k, однак ... можливо, швидше, ніж деякі інші алгоритми, згадані тут [???]
rogerdpack

3

Сексуальний швидкий вибір у Python

def quickselect(arr, k):
    '''
     k = 1 returns first element in ascending order.
     can be easily modified to return first element in descending order
    '''

    r = random.randrange(0, len(arr))

    a1 = [i for i in arr if i < arr[r]] '''partition'''
    a2 = [i for i in arr if i > arr[r]]

    if k <= len(a1):
        return quickselect(a1, k)
    elif k > len(arr)-len(a2):
        return quickselect(a2, k - (len(arr) - len(a2)))
    else:
        return arr[r]

Приємне рішення, за винятком того, що це повертає найменший елемент kth у несортованому списку. Повернення операторів порівняння в розуміннях списку, a1 = [i for i in arr if i > arr[r]]і a2 = [i for i in arr if i < arr[r]], поверне kth найбільший елемент.
жування

З невеликого орієнтиру, навіть на великих масивах, швидше сортувати ( numpy.sortза numpy arrayабо sortedдля списків), ніж використовувати цю ручну реалізацію.
Næreen

2

Знайдіть медіану масиву в лінійному часі, а потім використовуйте процедуру розділення точно так само, як у швидкості, щоб розділити масив на дві частини, значення ліворуч від медіани менше (<), ніж медіана та праворуч більше (>) медіана , що теж можна зробити в лінійний час, тепер перейдіть до тієї частини масиву, де лежить kth елемент, тепер рецидив стає: T (n) = T (n / 2) + cn, що дає мені O (n) overral.


Медіану не потрібно шукати. без медіани ваш підхід все ще прекрасний.
Hengameh

2
І як ви знаходите медіану в лінійному часі, смію запитати? ... :)
rogerdpack

2

Нижче наводиться посилання на повну реалізацію з досить широким поясненням того, як працює алгоритм пошуку Kth-елемента в несортованому алгоритмі. Основна ідея - розділити масив, як у QuickSort. Але щоб уникнути екстремальних випадків (наприклад, коли найменший елемент вибирається як стрижневий на кожному кроці, щоб алгоритм перероджувався в час виконання O (n ^ 2)), застосовується спеціальний вибір вибору, який називається алгоритмом медіани медіанів. Все рішення працює в O (n) час у гіршому та середньому випадку.

Ось посилання на повну статтю (йдеться про пошук найменшого елемента Kth , але принцип той самий для пошуку найбільшого Kth ):

Знайти найменший елемент Kth у масиві, який не використовується в нормі


2

Відповідно до цієї статті Для знаходження найбільшого елемента K у списку з n елементів наступний алгоритм потребує O(n)часу в гіршому випадку.

  1. Розділіть масив на n / 5 списків по 5 елементів кожен.
  2. Знайдіть медіану у кожному підмасиві з 5 елементів.
  3. Рекурсивно знайдіть медіану всіх медіанів, давайте назвати її M
  4. Розділити масив на два підмасиви 1-й під-масив містить елементи, більші за М, скажемо, що цей підмасив є a1, а інший підмасив містить елементи, менші за M., дозволяє називати цей під-масив a2.
  5. Якщо k <= | a1 |, поверніть вибір (a1, k).
  6. Якщо k− 1 = | a1 |, повернемо M.
  7. Якщо k> | a1 | + 1, вибір повернення (a2, k −a1 - 1).

Аналіз: Як запропоновано в початковій роботі:

Ми використовуємо медіану, щоб розділити список на дві половини (перша половина, якщо k <= n/2, а друга половина інакше). Цей алгоритм вимагає часу cnна першому рівні рекурсії для деякого постійного c, cn/2на наступному рівні (оскільки ми повторюємось у списку розміру n / 2), cn/4на третьому рівні тощо. Загальний витрачений час - це cn + cn/2 + cn/4 + .... = 2cn = o(n).

Чому розмір розділу береться 5, а не 3?

Як зазначено в оригінальному документі :

Розділення списку на 5 забезпечує найгірший поділ у 70 - 30. Принаймні половина медіани більша за медіану медіани, отже, принаймні половина n / 5 блоків має принаймні 3 елементи, і це дає 3n/10розкол, який означає, що інший розділ становить 7n / 10 в гіршому випадку. Це дає T(n) = T(n/5)+T(7n/10)+O(n). Since n/5+7n/10 < 1, найгірший час роботи O(n).

Тепер я спробував реалізувати зазначений вище алгоритм як:

public static int findKthLargestUsingMedian(Integer[] array, int k) {
        // Step 1: Divide the list into n/5 lists of 5 element each.
        int noOfRequiredLists = (int) Math.ceil(array.length / 5.0);
        // Step 2: Find pivotal element aka median of medians.
        int medianOfMedian =  findMedianOfMedians(array, noOfRequiredLists);
        //Now we need two lists split using medianOfMedian as pivot. All elements in list listOne will be grater than medianOfMedian and listTwo will have elements lesser than medianOfMedian.
        List<Integer> listWithGreaterNumbers = new ArrayList<>(); // elements greater than medianOfMedian
        List<Integer> listWithSmallerNumbers = new ArrayList<>(); // elements less than medianOfMedian
        for (Integer element : array) {
            if (element < medianOfMedian) {
                listWithSmallerNumbers.add(element);
            } else if (element > medianOfMedian) {
                listWithGreaterNumbers.add(element);
            }
        }
        // Next step.
        if (k <= listWithGreaterNumbers.size()) return findKthLargestUsingMedian((Integer[]) listWithGreaterNumbers.toArray(new Integer[listWithGreaterNumbers.size()]), k);
        else if ((k - 1) == listWithGreaterNumbers.size()) return medianOfMedian;
        else if (k > (listWithGreaterNumbers.size() + 1)) return findKthLargestUsingMedian((Integer[]) listWithSmallerNumbers.toArray(new Integer[listWithSmallerNumbers.size()]), k-listWithGreaterNumbers.size()-1);
        return -1;
    }

    public static int findMedianOfMedians(Integer[] mainList, int noOfRequiredLists) {
        int[] medians = new int[noOfRequiredLists];
        for (int count = 0; count < noOfRequiredLists; count++) {
            int startOfPartialArray = 5 * count;
            int endOfPartialArray = startOfPartialArray + 5;
            Integer[] partialArray = Arrays.copyOfRange((Integer[]) mainList, startOfPartialArray, endOfPartialArray);
            // Step 2: Find median of each of these sublists.
            int medianIndex = partialArray.length/2;
            medians[count] = partialArray[medianIndex];
        }
        // Step 3: Find median of the medians.
        return medians[medians.length / 2];
    }

Для покращення роботи інший алгоритм використовує Чергу пріоритетів і потребує часу O(nlogn).

public static int findKthLargestUsingPriorityQueue(Integer[] nums, int k) {
        int p = 0;
        int numElements = nums.length;
        // create priority queue where all the elements of nums will be stored
        PriorityQueue<Integer> pq = new PriorityQueue<Integer>();

        // place all the elements of the array to this priority queue
        for (int n : nums) {
            pq.add(n);
        }

        // extract the kth largest element
        while (numElements - k + 1 > 0) {
            p = pq.poll();
            k++;
        }

        return p;
    }

Обидва ці алгоритми можна перевірити як:

public static void main(String[] args) throws IOException {
        Integer[] numbers = new Integer[]{2, 3, 5, 4, 1, 12, 11, 13, 16, 7, 8, 6, 10, 9, 17, 15, 19, 20, 18, 23, 21, 22, 25, 24, 14};
        System.out.println(findKthLargestUsingMedian(numbers, 8));
        System.out.println(findKthLargestUsingPriorityQueue(numbers, 8));
    }

Очікуваний вихід: 18 18


@rogerdpack Я надав посилання, яке я перейшов.
akhil_mittal

2

Як щодо цього своєрідного підходу

Підтримуйте a buffer of length kі a tmp_max, отримуючи tmp_max - це O (k) і робиться n разів так, як щось подібнеO(kn)

введіть тут опис зображення

Це правильно чи я щось пропускаю?

Хоча він не перемагає середній випадок швидкого вибору та найгірший випадок методу медіанної статистики, але його досить легко зрозуміти та реалізувати.


1
Мені це подобається, простіше зрозуміти. Хоча складність становить O (nk), як ви вказали.
Хаджаят

1

повторити список. якщо поточне значення більше, ніж найбільше збережене значення, збережіть його як найбільше значення та підкресліть 1-4 вниз та 5 випавши зі списку. Якщо ні, порівняйте його з числом 2 і зробіть те саме. Повторіть, перевіривши його на всіх 5 збережених значеннях. це слід робити в O (n)


Цей "удар" - це O (n), якщо ви використовуєте масив, або вниз до O (log n) (я думаю), якщо ви використовуєте кращу структуру.
Кірк Штраузер

Це не повинно бути O (log k) - якщо список є зв'язаним списком, то додавання нового елемента вгорі і випадання останнього елемента більше нагадує O (2)
Alnitak

Збіг буде O (k) для списку, підтримуваного масивом, O (1) для відповідного зв’язку списку. Так чи інакше, таке питання, як правило, передбачає, що воно має мінімальний вплив у порівнянні з n, і воно не вводить більше факторів n.
bobince

також було б O (1), якщо удар використовує буфер для кільця
Alnitak

1
Так чи інакше, алгоритм коментаря є неповним, він не може врахувати елемент n, що входить, який є новим (наприклад) другим за величиною. Найгіршим випадком поведінки, коли кожен елемент у n повинен порівнюватися з кожним у таблиці високих оцінок, є O (kn) - але це все-таки означає O (n) з точки зору питання.
bobince

1

Я хотів би запропонувати одну відповідь

якщо ми візьмемо перші k елементів і відсортуємо їх у зв'язаний список значень k

тепер для будь-якого іншого значення, навіть у гіршому випадку, якщо ми робимо вставку сортування для nk значень спокою, навіть у гіршому випадку кількість порівнянь буде k * (nk), а для prev k значення буде відсортовано, нехай це буде k * (k- 1) значить, виходить, що (nk-k) є o (n)

ура


1
сортування займає час nlogn ... алгоритм повинен працювати в лінійний час
MrDatabase

1

Пояснення алгоритму медіани середніх для знаходження k-го найбільшого цілого числа з n можна знайти тут: http://cs.indstate.edu/~spitla/presentation.pdf

Реалізація в c ++ знаходиться нижче:

#include <iostream>
#include <vector>
#include <algorithm>
using namespace std;

int findMedian(vector<int> vec){
//    Find median of a vector
    int median;
    size_t size = vec.size();
    median = vec[(size/2)];
    return median;
}

int findMedianOfMedians(vector<vector<int> > values){
    vector<int> medians;

    for (int i = 0; i < values.size(); i++) {
        int m = findMedian(values[i]);
        medians.push_back(m);
    }

    return findMedian(medians);
}

void selectionByMedianOfMedians(const vector<int> values, int k){
//    Divide the list into n/5 lists of 5 elements each
    vector<vector<int> > vec2D;

    int count = 0;
    while (count != values.size()) {
        int countRow = 0;
        vector<int> row;

        while ((countRow < 5) && (count < values.size())) {
            row.push_back(values[count]);
            count++;
            countRow++;
        }
        vec2D.push_back(row);
    }

    cout<<endl<<endl<<"Printing 2D vector : "<<endl;
    for (int i = 0; i < vec2D.size(); i++) {
        for (int j = 0; j < vec2D[i].size(); j++) {
            cout<<vec2D[i][j]<<" ";
        }
        cout<<endl;
    }
    cout<<endl;

//    Calculating a new pivot for making splits
    int m = findMedianOfMedians(vec2D);
    cout<<"Median of medians is : "<<m<<endl;

//    Partition the list into unique elements larger than 'm' (call this sublist L1) and
//    those smaller them 'm' (call this sublist L2)
    vector<int> L1, L2;

    for (int i = 0; i < vec2D.size(); i++) {
        for (int j = 0; j < vec2D[i].size(); j++) {
            if (vec2D[i][j] > m) {
                L1.push_back(vec2D[i][j]);
            }else if (vec2D[i][j] < m){
                L2.push_back(vec2D[i][j]);
            }
        }
    }

//    Checking the splits as per the new pivot 'm'
    cout<<endl<<"Printing L1 : "<<endl;
    for (int i = 0; i < L1.size(); i++) {
        cout<<L1[i]<<" ";
    }

    cout<<endl<<endl<<"Printing L2 : "<<endl;
    for (int i = 0; i < L2.size(); i++) {
        cout<<L2[i]<<" ";
    }

//    Recursive calls
    if ((k - 1) == L1.size()) {
        cout<<endl<<endl<<"Answer :"<<m;
    }else if (k <= L1.size()) {
        return selectionByMedianOfMedians(L1, k);
    }else if (k > (L1.size() + 1)){
        return selectionByMedianOfMedians(L2, k-((int)L1.size())-1);
    }

}

int main()
{
    int values[] = {2, 3, 5, 4, 1, 12, 11, 13, 16, 7, 8, 6, 10, 9, 17, 15, 19, 20, 18, 23, 21, 22, 25, 24, 14};

    vector<int> vec(values, values + 25);

    cout<<"The given array is : "<<endl;
    for (int i = 0; i < vec.size(); i++) {
        cout<<vec[i]<<" ";
    }

    selectionByMedianOfMedians(vec, 8);

    return 0;
}

Це рішення не працює. Ви повинні сортувати масив, перш ніж повертати медіану для випадку з 5 елементами.
Agnishom Chattopadhyay

1

Існує також алгоритм вибору Вірта , який має більш просту реалізацію, ніж QuickSelect. Алгоритм вибору Вірта повільніше, ніж QuickSelect, але з деякими вдосконаленнями він стає швидшим.

Більш детально. Використовуючи оптимізацію MODIFIND Володимира Забродського та вибір медіани середніх 3-х та приділяючи деяку увагу кінцевим крокам частини алгоритму, що розділяється, я придумав такий алгоритм (уявно названий "LefSelect"):

#define F_SWAP(a,b) { float temp=(a);(a)=(b);(b)=temp; }

# Note: The code needs more than 2 elements to work
float lefselect(float a[], const int n, const int k) {
    int l=0, m = n-1, i=l, j=m;
    float x;

    while (l<m) {
        if( a[k] < a[i] ) F_SWAP(a[i],a[k]);
        if( a[j] < a[i] ) F_SWAP(a[i],a[j]);
        if( a[j] < a[k] ) F_SWAP(a[k],a[j]);

        x=a[k];
        while (j>k & i<k) {
            do i++; while (a[i]<x);
            do j--; while (a[j]>x);

            F_SWAP(a[i],a[j]);
        }
        i++; j--;

        if (j<k) {
            while (a[i]<x) i++;
            l=i; j=m;
        }
        if (k<i) {
            while (x<a[j]) j--;
            m=j; i=l;
        }
    }
    return a[k];
}

У тестах, які я тут робив , LefSelect на 20-30% швидше, ніж QuickSelect.


1

Haskell Solution:

kthElem index list = sort list !! index

withShape ~[]     []     = []
withShape ~(x:xs) (y:ys) = x : withShape xs ys

sort []     = []
sort (x:xs) = (sort ls `withShape` ls) ++ [x] ++ (sort rs `withShape` rs)
  where
   ls = filter (<  x)
   rs = filter (>= x)

Це реалізує медіану медіанних рішень за допомогою методу withShape для виявлення розміру розділу без фактичного обчислення.


1

Ось C ++ реалізація Randomized QuickSelect. Ідея полягає у тому, щоб випадковим чином підібрати зведений елемент. Для реалізації рандомізованого розділу ми використовуємо випадкову функцію, rand () для генерування індексу між l та r, поміняємо елемент на випадково генерований індекс останнім елементом і, нарешті, викликаємо стандартний процес розділу, який використовує останній елемент як опорний.

#include<iostream>
#include<climits>
#include<cstdlib>
using namespace std;

int randomPartition(int arr[], int l, int r);

// This function returns k'th smallest element in arr[l..r] using
// QuickSort based method.  ASSUMPTION: ALL ELEMENTS IN ARR[] ARE DISTINCT
int kthSmallest(int arr[], int l, int r, int k)
{
    // If k is smaller than number of elements in array
    if (k > 0 && k <= r - l + 1)
    {
        // Partition the array around a random element and
        // get position of pivot element in sorted array
        int pos = randomPartition(arr, l, r);

        // If position is same as k
        if (pos-l == k-1)
            return arr[pos];
        if (pos-l > k-1)  // If position is more, recur for left subarray
            return kthSmallest(arr, l, pos-1, k);

        // Else recur for right subarray
        return kthSmallest(arr, pos+1, r, k-pos+l-1);
    }

    // If k is more than number of elements in array
    return INT_MAX;
}

void swap(int *a, int *b)
{
    int temp = *a;
    *a = *b;
    *b = temp;
}

// Standard partition process of QuickSort().  It considers the last
// element as pivot and moves all smaller element to left of it and
// greater elements to right. This function is used by randomPartition()
int partition(int arr[], int l, int r)
{
    int x = arr[r], i = l;
    for (int j = l; j <= r - 1; j++)
    {
        if (arr[j] <= x) //arr[i] is bigger than arr[j] so swap them
        {
            swap(&arr[i], &arr[j]);
            i++;
        }
    }
    swap(&arr[i], &arr[r]); // swap the pivot
    return i;
}

// Picks a random pivot element between l and r and partitions
// arr[l..r] around the randomly picked element using partition()
int randomPartition(int arr[], int l, int r)
{
    int n = r-l+1;
    int pivot = rand() % n;
    swap(&arr[l + pivot], &arr[r]);
    return partition(arr, l, r);
}

// Driver program to test above methods
int main()
{
    int arr[] = {12, 3, 5, 7, 4, 19, 26};
    int n = sizeof(arr)/sizeof(arr[0]), k = 3;
    cout << "K'th smallest element is " << kthSmallest(arr, 0, n-1, k);
    return 0;
}

Найгірша часова складність вищезгаданого рішення все ще є O (n2). У гіршому випадку, рандомізована функція завжди може вибрати кутовий елемент. Очікувана часова складність вище рандомізованого QuickSelect становить Θ (n)


Приємне кодування. Дякуємо за те, що поділилися, +1
Hengameh

1
  1. Створіть чергу пріоритетів.
  2. Вставте всі елементи в купу.
  3. Виклик опитування () k разів.

    public static int getKthLargestElements(int[] arr)
    {
        PriorityQueue<Integer> pq =  new PriorityQueue<>((x , y) -> (y-x));
        //insert all the elements into heap
        for(int ele : arr)
           pq.offer(ele);
        // call poll() k times
        int i=0;
        while(i&lt;k)
         {
           int result = pq.poll();
         } 
       return result;        
    }
    

0

Це реалізація в Javascript.

Якщо ви випустите обмеження, що ви не можете змінити масив, ви можете запобігти використанню додаткової пам'яті за допомогою двох індексів для ідентифікації "поточного розділу" (у класичному стилі quicksort - http://www.nczonline.net/blog/2012/ 11/27 / інформатика-в-javascript-quicksort / ).

function kthMax(a, k){
    var size = a.length;

    var pivot = a[ parseInt(Math.random()*size) ]; //Another choice could have been (size / 2) 

    //Create an array with all element lower than the pivot and an array with all element higher than the pivot
    var i, lowerArray = [], upperArray = [];
    for (i = 0; i  < size; i++){
        var current = a[i];

        if (current < pivot) {
            lowerArray.push(current);
        } else if (current > pivot) {
            upperArray.push(current);
        }
    }

    //Which one should I continue with?
    if(k <= upperArray.length) {
        //Upper
        return kthMax(upperArray, k);
    } else {
        var newK = k - (size - lowerArray.length);

        if (newK > 0) {
            ///Lower
            return kthMax(lowerArray, newK);
        } else {
            //None ... it's the current pivot!
            return pivot;
        }   
    }
}  

Якщо ви хочете перевірити його ефективність, ви можете скористатися цією варіацією:

    function kthMax (a, k, logging) {
         var comparisonCount = 0; //Number of comparison that the algorithm uses
         var memoryCount = 0;     //Number of integers in memory that the algorithm uses
         var _log = logging;

         if(k < 0 || k >= a.length) {
            if (_log) console.log ("k is out of range"); 
            return false;
         }      

         function _kthmax(a, k){
             var size = a.length;
             var pivot = a[parseInt(Math.random()*size)];
             if(_log) console.log("Inputs:", a,  "size="+size, "k="+k, "pivot="+pivot);

             // This should never happen. Just a nice check in this exercise
             // if you are playing with the code to avoid never ending recursion            
             if(typeof pivot === "undefined") {
                 if (_log) console.log ("Ops..."); 
                 return false;
             }

             var i, lowerArray = [], upperArray = [];
             for (i = 0; i  < size; i++){
                 var current = a[i];
                 if (current < pivot) {
                     comparisonCount += 1;
                     memoryCount++;
                     lowerArray.push(current);
                 } else if (current > pivot) {
                     comparisonCount += 2;
                     memoryCount++;
                     upperArray.push(current);
                 }
             }
             if(_log) console.log("Pivoting:",lowerArray, "*"+pivot+"*", upperArray);

             if(k <= upperArray.length) {
                 comparisonCount += 1;
                 return _kthmax(upperArray, k);
             } else if (k > size - lowerArray.length) {
                 comparisonCount += 2;
                 return _kthmax(lowerArray, k - (size - lowerArray.length));
             } else {
                 comparisonCount += 2;
                 return pivot;
             }
     /* 
      * BTW, this is the logic for kthMin if we want to implement that... ;-)
      * 

             if(k <= lowerArray.length) {
                 return kthMin(lowerArray, k);
             } else if (k > size - upperArray.length) {
                 return kthMin(upperArray, k - (size - upperArray.length));
             } else 
                 return pivot;
     */            
         }

         var result = _kthmax(a, k);
         return {result: result, iterations: comparisonCount, memory: memoryCount};
     }

Решта коду - просто створити деякий майданчик:

    function getRandomArray (n){
        var ar = [];
        for (var i = 0, l = n; i < l; i++) {
            ar.push(Math.round(Math.random() * l))
        }

        return ar;
    }

    //Create a random array of 50 numbers
    var ar = getRandomArray (50);   

Тепер запустіть тести кілька разів. Через Math.random () він буде отримувати кожен раз різні результати:

    kthMax(ar, 2, true);
    kthMax(ar, 2);
    kthMax(ar, 2);
    kthMax(ar, 2);
    kthMax(ar, 2);
    kthMax(ar, 2);
    kthMax(ar, 34, true);
    kthMax(ar, 34);
    kthMax(ar, 34);
    kthMax(ar, 34);
    kthMax(ar, 34);
    kthMax(ar, 34);

Якщо ви тестуєте його кілька разів, ви навіть емпірично бачите, що кількість ітерацій в середньому становить O (n) ~ = константа * n, а значення k не впливає на алгоритм.


0

Я придумав цей алгоритм і, здається, O (n):

Скажімо, k = 3, і ми хочемо знайти 3-й за величиною елемент у масиві. Я створив би три змінні і порівняв кожен елемент масиву з мінімальними з цих трьох змінних. Якщо елемент масиву більший за наш мінімум, ми замінимо змінну min на значення. Продовжуємо те ж саме до кінця масиву. Мінімум наших трьох змінних - це 3-й за величиною елемент у масиві.

define variables a=0, b=0, c=0
iterate through the array items
    find minimum a,b,c
    if item > min then replace the min variable with item value
    continue until end of array
the minimum of a,b,c is our answer

І, щоб знайти найбільш великий елемент Kth, нам потрібні K змінні.

Приклад: (k = 3)

[1,2,4,1,7,3,9,5,6,2,9,8]

Final variable values:

a=7 (answer)
b=8
c=9

Може хтось, будь ласка, перегляне це і дасть мені знати, чого я пропускаю?


0

Ось запропонована реалізація алгоритму eladv (я також ставлю сюди реалізацію з випадковим стрижнем):

public class Median {

    public static void main(String[] s) {

        int[] test = {4,18,20,3,7,13,5,8,2,1,15,17,25,30,16};
        System.out.println(selectK(test,8));

        /*
        int n = 100000000;
        int[] test = new int[n];
        for(int i=0; i<test.length; i++)
            test[i] = (int)(Math.random()*test.length);

        long start = System.currentTimeMillis();
        random_selectK(test, test.length/2);
        long end = System.currentTimeMillis();
        System.out.println(end - start);
        */
    }

    public static int random_selectK(int[] a, int k) {
        if(a.length <= 1)
            return a[0];

        int r = (int)(Math.random() * a.length);
        int p = a[r];

        int small = 0, equal = 0, big = 0;
        for(int i=0; i<a.length; i++) {
            if(a[i] < p) small++;
            else if(a[i] == p) equal++;
            else if(a[i] > p) big++;
        }

        if(k <= small) {
            int[] temp = new int[small];
            for(int i=0, j=0; i<a.length; i++)
                if(a[i] < p)
                    temp[j++] = a[i];
            return random_selectK(temp, k);
        }

        else if (k <= small+equal)
            return p;

        else {
            int[] temp = new int[big];
            for(int i=0, j=0; i<a.length; i++)
                if(a[i] > p)
                    temp[j++] = a[i];
            return random_selectK(temp,k-small-equal);
        }
    }

    public static int selectK(int[] a, int k) {
        if(a.length <= 5) {
            Arrays.sort(a);
            return a[k-1];
        }

        int p = median_of_medians(a);

        int small = 0, equal = 0, big = 0;
        for(int i=0; i<a.length; i++) {
            if(a[i] < p) small++;
            else if(a[i] == p) equal++;
            else if(a[i] > p) big++;
        }

        if(k <= small) {
            int[] temp = new int[small];
            for(int i=0, j=0; i<a.length; i++)
                if(a[i] < p)
                    temp[j++] = a[i];
            return selectK(temp, k);
        }

        else if (k <= small+equal)
            return p;

        else {
            int[] temp = new int[big];
            for(int i=0, j=0; i<a.length; i++)
                if(a[i] > p)
                    temp[j++] = a[i];
            return selectK(temp,k-small-equal);
        }
    }

    private static int median_of_medians(int[] a) {
        int[] b = new int[a.length/5];
        int[] temp = new int[5];
        for(int i=0; i<b.length; i++) {
            for(int j=0; j<5; j++)
                temp[j] = a[5*i + j];
            Arrays.sort(temp);
            b[i] = temp[2];
        }

        return selectK(b, b.length/2 + 1);
    }
}

0

це схоже на стратегію quickSort, де ми вибираємо довільну точку зіткнення і підводимо менші елементи ліворуч, а великі праворуч

    public static int kthElInUnsortedList(List<int> list, int k)
    {
        if (list.Count == 1)
            return list[0];

        List<int> left = new List<int>();
        List<int> right = new List<int>();

        int pivotIndex = list.Count / 2;
        int pivot = list[pivotIndex]; //arbitrary

        for (int i = 0; i < list.Count && i != pivotIndex; i++)
        {
            int currentEl = list[i];
            if (currentEl < pivot)
                left.Add(currentEl);
            else
                right.Add(currentEl);
        }

        if (k == left.Count + 1)
            return pivot;

        if (left.Count < k)
            return kthElInUnsortedList(right, k - left.Count - 1);
        else
            return kthElInUnsortedList(left, k);
    }


0

Ви можете знайти k-й найменший елемент за O (n) часу та постійного простору. Якщо ми вважаємо, масив призначений лише для цілих чисел.

Підхід полягає у виконанні двійкового пошуку за діапазоном значень масиву. Якщо ми маємо мінімальне значення та максимальне значення, обидва в цілому діапазоні, ми можемо виконати двійковий пошук у цьому діапазоні. Ми можемо написати функцію порівняння, яка підкаже, чи є яке-небудь значення kth-найменшим або меншим, ніж kth-найменшим або більшим, ніж kth-найменшим. Робіть двійковий пошук, поки не досягнете найменшого числа kth

Ось код для цього

клас Рішення:

def _iskthsmallest(self, A, val, k):
    less_count, equal_count = 0, 0
    for i in range(len(A)):
        if A[i] == val: equal_count += 1
        if A[i] < val: less_count += 1

    if less_count >= k: return 1
    if less_count + equal_count < k: return -1
    return 0

def kthsmallest_binary(self, A, min_val, max_val, k):
    if min_val == max_val:
        return min_val
    mid = (min_val + max_val)/2
    iskthsmallest = self._iskthsmallest(A, mid, k)
    if iskthsmallest == 0: return mid
    if iskthsmallest > 0: return self.kthsmallest_binary(A, min_val, mid, k)
    return self.kthsmallest_binary(A, mid+1, max_val, k)

# @param A : tuple of integers
# @param B : integer
# @return an integer
def kthsmallest(self, A, k):
    if not A: return 0
    if k > len(A): return 0
    min_val, max_val = min(A), max(A)
    return self.kthsmallest_binary(A, min_val, max_val, k)

0

Існує також один алгоритм, який перевершує алгоритм швидкого вибору. Це називається алгоритмом Floyd-Rivets (FR) .

Оригінальна стаття: https://doi.org/10.1145/360680.360694

Версія для завантаження: http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.309.7108&rep=rep1&type=pdf

Стаття у Вікіпедії https://en.wikipedia.org/wiki/Floyd%E2%80%93Rivest_algorithm

Я спробував реалізувати алгоритм швидкого вибору та FR в C ++. Також я порівняв їх зі стандартними реалізаціями бібліотек C ++ std :: nth_element (який в основному є інтроселективним гібридом швидкого вибору та heapselect). Результатом було швидкий вибір, і nth_element в середньому працював порівняно, але алгоритм FR виконував приблизно вдвічі швидше порівняно з ними.

Приклад коду, який я використовував для алгоритму FR:

template <typename T>
T FRselect(std::vector<T>& data, const size_t& n)
{
    if (n == 0)
        return *(std::min_element(data.begin(), data.end()));
    else if (n == data.size() - 1)
        return *(std::max_element(data.begin(), data.end()));
    else
        return _FRselect(data, 0, data.size() - 1, n);
}

template <typename T>
T _FRselect(std::vector<T>& data, const size_t& left, const size_t& right, const size_t& n)
{
    size_t leftIdx = left;
    size_t rightIdx = right;

    while (rightIdx > leftIdx)
    {
        if (rightIdx - leftIdx > 600)
        {
            size_t range = rightIdx - leftIdx + 1;
            long long i = n - (long long)leftIdx + 1;
            long long z = log(range);
            long long s = 0.5 * exp(2 * z / 3);
            long long sd = 0.5 * sqrt(z * s * (range - s) / range) * sgn(i - (long long)range / 2);

            size_t newLeft = fmax(leftIdx, n - i * s / range + sd);
            size_t newRight = fmin(rightIdx, n + (range - i) * s / range + sd);

            _FRselect(data, newLeft, newRight, n);
        }
        T t = data[n];
        size_t i = leftIdx;
        size_t j = rightIdx;
        // arrange pivot and right index
        std::swap(data[leftIdx], data[n]);
        if (data[rightIdx] > t)
            std::swap(data[rightIdx], data[leftIdx]);

        while (i < j)
        {
            std::swap(data[i], data[j]);
            ++i; --j;
            while (data[i] < t) ++i;
            while (data[j] > t) --j;
        }

        if (data[leftIdx] == t)
            std::swap(data[leftIdx], data[j]);
        else
        {
            ++j;
            std::swap(data[j], data[rightIdx]);
        }
        // adjust left and right towards the boundaries of the subset
        // containing the (k - left + 1)th smallest element
        if (j <= n)
            leftIdx = j + 1;
        if (n <= j)
            rightIdx = j - 1;
    }

    return data[leftIdx];
}

template <typename T>
int sgn(T val) {
    return (T(0) < val) - (val < T(0));
}

-1

Що я б робив, це:

initialize empty doubly linked list l
for each element e in array
    if e larger than head(l)
        make e the new head of l
        if size(l) > k
            remove last element from l

the last element of l should now be the kth largest element

Ви можете просто зберігати покажчики на перший і останній елемент у пов'язаному списку. Вони змінюються лише після внесення оновлень до списку.

Оновлення:

initialize empty sorted tree l
for each element e in array
    if e between head(l) and tail(l)
        insert e into l // O(log k)
        if size(l) > k
            remove last element from l

the last element of l should now be the kth largest element

Що робити, якщо e менше головки (l)? Він все-таки може бути більшим, ніж kth найбільший елемент, але ніколи не буде доданий до цього списку. Вам потрібно буде сортувати список елементів, щоб це працювало, у порядку зростання.
Елі

Ви маєте рацію, гадаєте, мені потрібно буде продумати це ще дещо. :-)
Джаспер Беккерс

Рішенням було б перевірити, чи знаходиться e між головою (l) і хвостом (l), і вставити його у правильному положенні, якщо воно є. Створення цього О (кн). Ви можете зробити це O (n log k), використовуючи двійкове дерево, яке відстежує елементи min та max.
Джаспер Беккерс

-1

По-перше, ми можемо побудувати BST з несортованого масиву, який займає час O (n), а з BST ми можемо знайти k-й найменший елемент в O (log (n)), який по всіх рахунках до порядку O (n).

Використовуючи наш веб-сайт, ви визнаєте, що прочитали та зрозуміли наші Політику щодо файлів cookie та Політику конфіденційності.
Licensed under cc by-sa 3.0 with attribution required.