Реферат : Двоичные деревья поиска 


Полнотекстовый поиск по базе:

Главная >> Реферат >> Информатика, программирование


Двоичные деревья поиска




Двоичные деревья поиска

Роман Акопов

Определение Двоичного Дерева Поиска (Binary Search Tree, BST)

Двоичным деревом поиска (ДДП) называют дерево, все вершины которого упорядочены, каждая вершина имеет не более двух потомков (назовём их левым и правым), и все вершины, кроме корня, имеют родителя. Вершины, не имеющие потомков, называются листами. Подразумевается, что каждой вершине соответствует элемент или несколько элементов, имеющие некие ключевые значения, в дальнейшем именуемые просто ключами. Обычно одной вершине соответствует один элемент, поэтому данные термины можно без потери смысла считать синонимами, хотя и надо помнить, что в некоторых реализациях это не так. В приведённых алгоритмах считается, что одной вершине соответствует только один элемент. Поэтому мы будем использовать понятия ключа вершины и данных вершины, подразумевая ключ и данные соответствующего вершине элемента. Мы так же будем понимать под вставкой вершины добавление вершины с указанным значением элемента и присвоение указателям на родителя и потомков корректных значений. Именно ключ используется во всех операциях сравнения элементов. Элемент может также содержать ассоциированные с ключом данные. На практике в качестве ключа может использоваться часть данных элемента. Ключ также может храниться как отдельное значение. ДДП позволяет выполнять следующие основные операции:

Поиск вершины по ключу.

Определение вершин с минимальным и максимальным значением ключа.

Переход к предыдущей или последующей вершине, в порядке, определяемом ключами.

Вставка вершины.

Удаление вершины.

Двоичное дерево может быть логически разбито на уровни. Корень дерева является нулевым уровнем, потомки корня – первым уровнем, их потомки – вторым, и т.д. Глубина дерева это его максимальный уровень. Понятие глубины также может быть описано в терминах пути, то есть глубина дерева есть длина самого длинного пути от корня до листа, если следовать от родительской вершины до потомка. Каждую вершину дерева можно рассматривать как корень поддерева, которое определяется данной вершиной и всеми потомками этой вершины, как прямыми, так и косвенными. Поэтому о дереве можно говорить как о рекурсивной структуре. Эффективность поиска по дереву напрямую связана с его сбалансированностью, то есть с максимальной разницей между глубиной левого и правого поддерева среди всех вершин. Имеется два крайних случая – сбалансированное бинарное дерево (где каждый уровень имеет полный набор вершин) и вырожденное дерево, где на каждый уровень приходится по одной вершине. Вырожденное дерево эквивалентно связанному списку. Время выполнения всех основных операций пропорционально глубине дерева. Таким образом, скоростные характеристики поиска в ДДП могут варьироваться от O(log2N) в случае законченного дерева до O(N) – в случае вырожденного.

ДДП может быть использовано для реализации таких абстракций, как сортированный список, словарь (набор соответствий "ключ-значение"), очередь с приоритетами и так далее.

При реализации дерева помимо значения ключа (key) и данных также хранятся три указателя: на родителя (net), левого (left) и правого (right) потомков. Если родителя или потомка нет, то указатель хранит нулевое (NULL, NIL) значение.

Свойство упорядоченности двоичного дерева поиска

Если x – это произвольная вершина в ДДП, а вершина y находится в левом поддереве вершины x, то y.key <= x.key. Если x – это произвольная вершина ДДП, а вершина y находится в правом поддереве вершины x, то y.key >= x.key. Из свойства следует, что если y.key == x.key, то вершина y может находиться как в левом, так и в правом поддереве относительно вершины x.

Необходимо помнить, что при наличии нескольких вершин с одинаковыми значениями ключа некоторые алгоритмы не будут работать правильно. Например, алгоритм поиска будет всегда возвращать указатель только на одну вершину. Эту проблему можно решить, храня элементы с одинаковыми ключами в одной и той же вершине в виде списка. В таком случае мы будем хранить в одной вершине несколько элементов, но данный случай в статье не рассматривается.

Это двоичное дерево поиска:

Рисунок 1.

А это нет:

Рисунок 2.

Способы обхода ДДП

Есть три способа обхода: Прямой (preorder), Поперечный (inorder), Обратный (postorder).

Прямой обход: сначала обходится данная вершина, левое поддерево данной вершины, затем правое поддерево данной вершины.

Поперечный обход: сначала обходится левое поддерево данной вершины, затем данная вершина, затем правое поддерево данной вершины. Вершины при этом будут следовать в неубывающем (по ключам key) порядке.

Обратный обход: сначала обходится левое поддерево данной вершины, затем правое, затем данная вершина.

На рисунке 3 порядок обхода вершин указан номерами, при этом предполагается, что сами вершины расположены так, что образуют ДДП.

Рисунок 3.

Наиболее часто употребляется поперечный обход, так как во всех других способах обхода следующие друг за другом вершины не связаны никакими условиями отношения.

Поиск вершины в ДДП

Идея поиска проста. Алгоритм поиска в ДДП по своей природе рекурсивен. При его описании проще всего использовать понятие поддерева. Поиск начинается с корня дерева, который принимается за корень текущего поддерева, и его ключ сравнивается с искомым. Если они равны, то, очевидно, поиск закончен. Если ключ, который мы ищем, оказался больше текущего, то, очевидно, что нужная вершина находится в правом поддереве, иначе – в левом. Далее эта операция повторяется для правого или левого поддерева. В условном коде это можно описать так:

Рекурсивно:

TreeSearch(node, key)

Begin

// Если вершина равна NIL, то нечего в ней искать. Так же и возвращаем.

// Это нужно для поиска по не существующим потомкам

If (node == NIL) Then

Return node;

// Если нашли, то возвращаем указатель на найденную вершину.

If (node.key == key) Then

Return node;

// Если ключ найденной вершины больше того, который мы ищем

If (node.key > key) Then

// То искать в левом поддереве

Return TreeSearch(node.left, key);

Else

// Иначе в правом поддереве

Return TreeSearch(node.right, key);

End

ПРИМЕЧАНИЕ

В прилагаемом исходном коде, написанном на паскале-подобном языке, все параметры передаются по значению. nodeParent, nodeTemp и node – это указатели на вершины, а Tree – само дерево, имеющее поле root, указатель на корень дерева.

Итеративно:

TreeSearch(node,key)

Begin

// Пока ещё есть вершины среди которых можно искать

//(мы просматриваем не все, но несколько) и пока мы не нашли

While (node != NIL) and (node.key != key) Do

Begin

// Если ключ найденногй вершины больше того который мы ищем

If (node.key > key) Then

node = node.left; // То искать в левом поддереве

Else

node = node.right; // А иначе в правом поддереве

End

Return node; // Возвратить найденное

End

Поиск вершины с минимальным и максимальным значением ключа

Вершины с минимальным и максимальным значением ключа можно найти, пройдясь по левым (правым) указателям от корня (пока не достигнем NIL). Возвращаемое значение – это указатель на вершину с минимальным (максимальным) значением ключа.

TreeMinimum(node)

Begin

While (node.left != NIL) Do // Пока есть левый потомок

Node = node.left; // Перейти к нему

Return node;

End

TreeMaximum(node)

Begin

While (node.right != NIL) Do // Пока есть правый потомок

node = node.right; // Перейти к нему

Return node;

End

Нахождение следующей и предыдущей вершины в ДДП

Чтобы найти предыдущую и следующую вершину, надо снова вспомнить свойство упорядоченности. Рассмотрим это на примере функции TreeNext. Она учитывает два случая. Если правое поддерево не пусто, то вершина из правого поддерева с минимальным значением ключа и будет следующей. Если же правое поддерево пусто, тогда мы идём вверх, пока не найдём вершину, являющуюся левым потомком своего родителя. Этот родитель (если он есть) и будет следующей вершиной. Возвращаемое значение – это указатель на вершину с следующим (предыдущим) значеним ключа или NIL, если такой вершины нет.

TreeNext(node)

Begin

// Если правое поддерево не пусто, то возвратить

// вершину с минимальным значением ключа из правого поддерева

If (node.right != NIL) Then

Return TreeMinimum(node.right);

nodeParent = node.nodeParent;

// Перебирать родителей, пока не найдена вершина,

// являющаяся левым потомком своего родителя

// или пока не закончатся родители.

While (nodeParent != NIL) and (node == nodeParent.right) Do

Begin

node = nodeParent;

nodeParent = nodeParent.nodeParent;

End

// Возвратить родителя вершины, являющегося левым потомком своего родителя

Return nodeParent;

End

TreePrevious(node)

Begin

If (node.left != NIL) Then

// Если левое поддерево не пусто, то возвратить

// вершину из левого поддерева с максимальным значением ключа

Return TreeMaximum(node.left);

nodeParent = node.nodeParent;

// Перебирать родителей, пока не найдём вершину, являющуюся

// правым потомком своего родителя или пока не закончатся родители

While (nodeParent != NIL) and (node == nodeParent.left) Do

Begin

node = nodeParent;

nodeParent = nodeParent.nodeParent;

End

// Возвратить родителя вершины являющегося его правым потомком

Return nodeParent;

End

Добавление вершины

Добавление вершины в ДДП сопряжено с некоторыми проблемами. После добавления ДДП должно сохранить свойство упорядоченности, а это значит, что вершину, куда попало добавлять нельзя. Поэтому, прежде чем вставлять вершину, необходимо подобрать для неё подходящее место, то есть такое место, после вставки в которое, дерево сохранит своё свойство упорядоченности. Говоря другими словами, нам нужно место после вершины с наибольшим ключом из всех меньших данного.

TreeInsert(Tree,node)

Begin

nodeParent = NIL;

nodeTemp = T.root;

// Пока ещё есть вершины которые надо просмотреть, то

// есть пока мы не добрались до “листочков” дерева

While (nodeTemp != NIL) Do

Begin

nodeParent = nodeTemp;

// Если ключ вершины, которую мы хотим вставить,

// меньше ключа текущей вершины

If (node.key < nodeTemp.key) Then

nodeTemp = nodeTemp.left; // То он должен быть в его левом поддереве

Else

nodeTemp = nodeTemp.right; // А иначе в правом

End

node.nodeParent = nodeParent;

If (nodeParent == NIL) Then // Если в дереве ещё нет вершин

Tree.root = node; // То добавить первую

Else

Begin

// Если ключ вершины, которую мы хотим вставить,

// меньше ключа вершины, потомком которой должна стать

// вставляемая вершина

If (node.key < nodeParent.key) Then

nodeParent.left = node; // То добавить в дерево как левого потомка

Else

nodeParent.right = node; // Иначе добавить в дерево как правого потомка

End

End

Удаление вершины

Проблемы возникают и при удалении. Нам необходимо сохранить свойство упорядоченности ДДП. При удалении возможны три случая: у удаляемой вершины нет потомков, у удаляемой вершины есть один потомок и у удаляемой вершины два потомка. Если потомков нет, то вершину можно просто удалить. Если потомок один, то удаляемую вершину можно “вырезать”, указав её родителю в качестве потомка единственного имеющегося потомка удаляемой вершины. Если же потомков два, требуются дополнительные действия. Нужно найти следующую за удаляемой (по порядку ключей) вершину, скопировать её содержимое (ключ и данные) в удаляемую вершину (она теперь никуда не удаляется физически, хотя логически исчезает) и удалить найденную вершину (у неё не будет левого потомка). Сначала функция TreeDelete ищет вершину, которую надо удалить, затем переменной nodeTemp присваивается указатель на существующего потомка удаляемой вершины (или NIL, если потомков нет). Далее вершина удаляется из дерева, при этом отдельно рассматриваются случаи: когда потомков нет и когда удаляемая вершина – это корень дерева. Возвращаемое значение – это указатель на удалённую вершину. На неё уже нет никаких ссылок в самом дереве, но она всё ещё занимает память. Момент её реального удаления зависит от используемых методов распределения памяти.

TreeDelete(Tree,node)

Begin

// Если потомков не более одного (случаи 1 и 2)

If (node.left == NIL) or (node.right == NIL) Then

del = node; // физически удаляем текущую вершину

Else

del = TreeNext(node); // Иначе следующую

If (del.left != NIL) Then // Пытаемся найти хоть одного потомка

nodeTemp = del.left;

Else

nodeTemp = del.right;

// Если есть, родителем потомка делаем родителя

// удаляемой вершины (случай 2)

If (nodeTemp != NIL) Then

nodeTemp.nodeParent = del.nodeParent;

// Если удаляем корень дерева, надо указать новый корень дерева

If (del.nodeParent == NIL) Then

Tree.root = nodeTemp;

Else

Begin

// Указываем родителю удаляемой вершины качестве потомка

// потомок удаляемой вершины

If (del.nodeParent.left == del) Then

del.nodeParent.left = nodeTemp;

Else

del.nodeParent.right = nodeTemp;

End

If (del != node) Then // Если случай 3

Begin

node.key = del.key; // Скопировать ключ

{ копирование дополнительных данных }

End

Return del;

End

NIL, NULL и маленькие хитрости

Нередко алгоритмы, просто выглядящие на бумаге, становятся нагромождением сплошных конструкций if в реальной программе. Почему? Ответ очевиден: многие алгоритмы для работы с деревьями предполагают, что (NIL).parent == (NIL).left == (NIL).right == NIL. Вроде всё ясно и даже логично, но ведь во многих языках программирования NIL/NULL – это ноль. А обращение по нулевому адресу памяти чревато нехорошими вещами. Что же делать? Ведь мало того, что все эти if тормозят программу, в них легко запутаться! Решение просто: мы не будем использовать NIL! Действительно, алгоритмам совершенно всё равно, какое численное значение имеет NIL, главное, чтобы адрес любой реальной вершины в дереве не был ему равен. Поэтому вместо NIL мы будем использовать адрес переменной, проинициализированной особым образом. Я покажу это на языке С++, но думаю, этот пример можно будет перевести и на другие языки, хотя там, скорее всего, нет шаблонов, и придется пожертвовать типобезопасностью.

template <class CTree>class CTreeBase

{

protected:

CTree * lpCParent;

CTree * lpCLeft;

CTree * lpCRight;

public:

CTreeBase(CTreeBase * lpCParentInit, CTreeBase * lpCLeftInit,

CTreeBase * lpCRightInit)

{

lpCParent = (CTree *)lpCParentInit;

lpCLeft = (CTree *)lpCLeftInit;

lpCRight = (CTree *)lpCRightInit;

}

};

/////////////////////////////////////

class CTree : public CTreeBase<CTree>

{

private:

int data;

protected:

static CTreeBase<CTree> treeNil;

};

////////////////////////////////////////////////////////////

CTreeBase<CTree> CTree::treeNil(&treeNil, &treeNil, &treeNil);

Теперь везде в классе CTree можно использовать переменную treeNil. Преимущества очевидны. Потратив каких-то двенадцать (3 * sizeof(CTree *)) байт памяти, мы упростили разработку и ускорили выполнение программы.

Основная проблема использования ДДП

Основной проблемой использования ДДП является то, что методы вставки и удаления вершин, гарантируя сохранение свойства упорядоченности, совершенно не способствуют оптимизации основных операций над ДДП. Например, если вставить в ДДП последовательность возрастающих или убывающих чисел, оно превратится, по сути, в двусвязный список, а основные операции будут занимать время, пропорциональное количеству вершин, а не его логарифму.

Таким образом, для получения производительности порядка O(log2N) нужно, чтобы дерево имело как можно более высокую сбалансированность (то есть имело возможно меньшую высоту). Обычно выделяются несколько типов сбалансированности. Полная сбалансированность, это когда для каждой вершины дерева количества вершин в левом и правом поддеревьях различаются не более чем на 1. К сожалению, такой сбалансированности трудно добиться на практике. Поэтому на практике используются менее жесткие виды сбалансированности. Например, русскими математиками Г. М. Адельсон-Вельским и Е.М.Ландисом были разработаны принципы АВЛ деревьев. В АВЛ деревьях для каждой вершины дерева глубины обоих поддеревьев различаются не более чем на 1. Еще одним “продвинутым” видом деревьев является так называемые красно-чёрные деревья. АВЛ деревья обеспечивают более высокую сбалансированность дерева, но затраты на их поддержание выше. Поскольку на практике разница в сбалансированности между этими двумя видами деревьев не высока, чаще используются красно-чёрные деревья.

Красно-чёрные деревья (Red-Black Tree, RB-Tree)

Итак, одним из способов решения основной проблемы использования ДДП являются красно-чёрные деревья. Красно-чёрные (название исторически связано с игральными картами, поскольку из них легко делать простые модели) деревья (КЧД) – это ДДП, каждая вершина которых хранит ещё одно дополнительное логическое поле (color), обозначающее цвет: красный или чёрный. Фактически, в КЧД гарантируется, что уровни любых двух листьев отличаются не более, чем в два раза. Этого условия оказывается достаточно, чтобы обеспечить скоростные характеристики поиска, близкие к O(log2N). При вставке/замене производятся дополнительные действия по балансировке дерева, которые не могут не замедлить работу с деревом. При описании алгоритмов мы будем считать, что NIL – это указатель на фиктивную вершину, и операции (NIL).left, (NIL).right, (NIL).color имеют смысл. Мы также будем полагать, что каждая вершина имеет двух потомков, и лишь NIL не имеет потомков. Таким образом, каждая вершина становится внутренней (имеющей потомков, пусть и фиктивных), а листьями будут лишь фиктивные вершины NIL.

Свойства КЧД

Каждая вершина может быть либо красной, либо чёрной. Бесцветных вершин, или вершин другого цвета быть не может.

Каждый лист (NIL) имеет чёрный цвет.

Если вершина красная, то оба её потомка – чёрные.

Все пути от корня к листьям содержат одинаковое число чёрных вершин.

Пример КЧД с учётом наших положений приведен на рисунке 4. Учтите, что вершина 9 могла быть и красной, но в дальнейшем мы будем рассматривать только те деревья, у которых корень чёрный. Мы это сделаем для того, чтобы потомки корня могли иметь любой цвет.

Рисунок 4.

Вращения

Операции вставки и удаления вершин в КЧД могут нарушать свойства КЧД. Чтобы восстановить эти свойства, надо будет перекрашивать некоторые вершины и менять структуру дерева. Для изменения структуры используются операции, называемые вращением. Возвращая КЧД его свойства, вращения так же восстанавливают сбалансированность дерева. Вращения бывают левые и правые, их суть показана на рисунке 5.

Рисунок 5.

Как видно, вращения, перемещая вершины, не нарушают свойства упорядоченности.

В процедуре RBTLeftRotate предполагается, что node.right != NIL. В процедуре RBTRightRotate предполагается, что node.left != NIL.

RBTLeftRotate(Tree,node)

Begin

nodeTemp = node.right;

node.right = nodeTemp.left;

If (nodeTemp.left != NIL) Then

nodeTemp.left.nodeParent = node;

nodeTemp.nodeParent = node.nodeParent;

If (node.nodeParent == NIL) Then

Tree.root = nodeTemp;

Else

Begin

If (node == node.nodeParent.left) Then

node.nodeParent.left = nodeTemp;

Else

node.nodeParent.right = nodeTemp;

End

nodeTemp.left = node;

node.nodeParent = nodeTemp;

End

RBTRightRotate(Tree,node)

Begin

nodeTemp = node.left;

node.left = nodeTemp.right;

If (nodeTemp.right != NIL) Then

nodeTemp.right.nodeParent = node;

nodeTemp.nodeParent = node.nodeParent;

If (node.nodeParent == NIL) Then

Tree.root = nodeTemp;

Else

Begin

If (node == node.nodeParent.right) Then

node.nodeParent.right = nodeTemp;

Else

node.nodeParent.left = nodeTemp;

End

nodeTemp.right = node;

node.nodeParent = nodeTemp;

End

Добавление вершины в КЧД

Чтобы добавить вершину в КЧД, мы применяем процедуру TreeInsert для ДДП, красим вершину в красный цвет, а затем восстанавливаем свойства КЧД. Для этого мы перекрашиваем некоторые вершины и производим вращения.

1 RBTInsert(Tree,node)

2 Begin

3 TreeInsert(Tree,node);

4 node.color = RED;

5 While (node != Tree.root) and (node.nodeParent.color == RED) Do

6 Begin

7 If (node.nodeParent == node.nodeParent.nodeParent.left) Then

8 Begin

9 nodeTemp = node.nodeParent.nodeParent.right;

10 If (nodeTemp.color == RED) Then

11 Begin

12 node.nodeParent.color = BLACK;

13 nodeTemp.color = BLACK;

14 node.nodeParent.nodeParent.color = RED;

15 node = node.nodeParent.nodeParent;

16 End

17 Else

18 Begin

19 If (node == node.nodeParent.right) Then

20 Begin

21 node = node.nodeParent;

22 RBTLeftRorate(Tree,node);

23 End

24 node.nodeParent.color = BLACK;

25 node.nodeParent.nodeParent.color = RED;

26 RBTRightRotate(Tree,node.nodeParent.nodeParent);

27 End

28 End

29 Else

30 Begin

31 nodeTemp = node.nodeParent.nodeParent.left;

32 If (nodeTemp.color == RED) Then

33 Begin

34 node.nodeParent.color = BLACK;

35 nodeTemp.color = BLACK;

36 node.nodeParent.nodeParent.color = RED;

37 node = node.nodeParent.nodeParent;

38 End

39 Else

40 Begin

41 If (node == node.nodeParent.left) Then

42 Begin

43 node = node.nodeParent;

44 RBTRightRorate(Tree,node);

45 End

46 node.nodeParent.color = BLACK;

47 node.nodeParent.nodeParent.color = RED;

48 RBTLeftRotate(Tree,node.nodeParent.nodeParent);

49 End

50 End

51 End

52 Tree.root.color = BLACK;

53 End

Функция RBTInsert не так сложна, как кажется на первый взгляд. Рассмотрим её подробнее. После строк 3-4 выполняются все свойства КЧД, кроме, возможно, одного: у новой красной вершины может быть красный родитель. Такая ситуация (красная вершина имеет красного родителя) может сохраниться после любого числа итераций цикла. Внутри цикла рассматриваются 6 различных случаев, но три из них (строки 8-28) симметричны трём другим (строки 30-50), различие лишь в том, является ли родитель вершины node правым или левым потомком своего родителя (случаи разделяются в строке 7). Поэтому мы рассмотрим подробно только первые три случая (строки 8-28). Предположим, что во всех рассматриваемых КЧД корень чёрный, и будем поддерживать это свойство (строка 52). Поэтому в строке 5 node.nodeParent (красного цвета) не может быть корнем, и node.nodeParent.nodeParent != NIL. Операции внутри цикла начинаются с нахождения nodeTemp, “дяди” node, то есть вершины, имеющей того же родителя, что и node.nodeParent. Если nodeTemp – красная вершина, то имеет место случай 1, если черная, то 2 или 3. Во всех случаях вершина node.nodeParent.nodeParent – чёрная, так как пара node, node.nodeParent была единственным нарушением свойств КЧД.

Случай 1 (строки 12-15 и 34-37) показан на рисунке 6. Является ли вершина node правым или левым потомком своего родителя, значения не имеет.

Рисунок 6.

Обе вершины (node и nodeTemp) – красные, а вершина node.nodeParent.nodeParent – чёрная. Перекрасим node.nodeParent и nodeTemp в чёрный цвет, а node.nodeParent.nodeParent – в красный. При этом число чёрных вершин на любом пути от корня к листьям остаётся прежним. Нарушение свойств КЧД возможно лишь в одном месте: вершина node.nodeParent.nodeParent может иметь красного родителя, поэтому надо продолжить выполнение цикла, присвоив node значение node.nodeParent.nodeParent.

В случаях 2 и 3 вершина nodeTemp – чёрная. Различаются случаи, когда вершина node является правым или левым потомком своего родителя. Если правым, то это случай 2 (строки 20-23 и 41-45). В этом случае производится левое вращение, которое сводит случай 2 к случаю 3, когда node является левым потомком своего родителя. Так как node и node.nodeParent – красные, после вращения количество чёрных вершин на путях от корня к листьям остается прежним.

Рисунок 7.

Осталось рассмотреть случай 3: красная вершина node является левым потомком красной вершины node.nodeParent, которая, в свою очередь, является левым потомком node.nodeParent.nodeParent, правым потомком которой является nodeTemp. В этом случае достаточно произвести правое вращение и перекрасить две вершины. Цикл окончится, так как вершина node.nodeParent будет после этого чёрной.

Удаление вершины из КЧД

Удаление вершины немного сложнее добавления. Мы будем считать, что (NIL).color == BLACK, и будем считать операцию взятия цвета у указателя, равного NIL, допустимой операцией. Также мы будем считать допустимым присваивание (NIL).nodeParent, и будем считать данное присваивание имеющим результат. То есть при взятии значения (NIL).nodeParent мы получим ранее записанное значение. Функция RBTDelete подобна TreeDelete, но, удалив вершину, она вызывает процедуру RTBDeleteFixUp для восстановления свойств КЧД.

RBTDelete(Tree,node)

Begin

If (node.left == NIL) or (node.right == NIL) Then

nodeParent = node;

Else

nodeParent = TreeNext(node);

If (nodeParent.left != NIL) Then

nodeTemp = nodeParent.left;

Else

nodeTemp = nodeParent.right;

nodeTemp.nodeParent = nodeParent.nodeParent;

If (nodeTemp.nodeParent == NIL) Then

Tree.root = nodeTemp;

Else

Begin

If (nodeParent.nodeParent.left == nodeParent) Then

nodeParent.nodeParent.left = nodeTemp;

Else

nodeParent.nodeParent.right = nodeTemp;

End

If (nodeParent != node) Then

Begin

node.key = nodeParent.key;

node.color = nodeParent.color;

{ копирование дополнительных данных }

End

If (nodeParent.color == BLACK) Then

RBTDeleteFixUp(Tree,nodeTemp);

Return nodeParent;

End

Рассмотрим, как процедура RBTDeleteFixUp восстанавливает свойства КЧД. Очевидно, что если удалили красную вершину, то, поскольку оба ее потомка чёрные, красная вершина не станет родителем красного потомка. Если же удалили чёрную вершину, то как минимум на одном из путей от корня к листьям количество чёрных вершин уменьшилось. К тому же красная вершина могла стать потомком красного родителя.

1 RTBDeleteFixUp(Tree,node)

2 Begin

3 While (node != Tree.root) and (node.color == BLACK) Do

4 Begin

5 If (node == node.nodeParent.left)

6 Begin

7 nodeTemp = node.nodeParent.right;

8 If (nodeTemp.color == RED) Then

9 Begin

10 nodeTemp.color = BLACK;

11 nodeTemp.nodeParent.color = RED;

12 RBTLeftRotate(Tree,node.nodeParent);

13 nodeTemp = node.nodeParent.right;

14 End

15 If (nodeTemp.left.color == BLACK) and (nodeTemp.right.color == BLACK) Then

16 Begin

17 nodeTemp.color = RED;

18 nodeTemp = nodeTemp.nodeParent;

19 End

20 Else

21 Begin

22 If (nodeTemp.right.color == BLACK) Then

23 Begin

24 nodeTemp.left.color = BLACK;

25 nodeTemp.color = RED;

26 RBTRightRotate(Tree,nodeTemp)

27 nodeTemp = node.nodeParent.right;

28 End

29 nodeTemp.color = node.nodeParent.color;

30 node.color.nodeParent = BLACK;

31 nodeTemp.right.color = BLACK;

32 RBTLeftRotate(Tree,node.nodeParent);

33 node = Tree.root;

34 End

35 End

36 Else

37 Begin

38 nodeTemp = node.nodeParent.left;

39 If (nodeTemp.color == RED) Then

40 Begin

41 nodeTemp.color = BLACK;

42 nodeTemp.nodeParent.color = RED;

43 RBTRightRotate(Tree,node.nodeParent);

44 nodeTemp = node.nodeParent.left;

45 End

46 If (nodeTemp.right.color == BLACK) and (nodeTemp.left.color == BLACK) Then

47 Begin

48 nodeTemp.color = RED;

49 nodeTemp = nodeTemp.nodeParent;

50 End

51 Else

52 Begin

53 If (nodeTemp.left.color == BLACK) Then

54 Begin

55 nodeTemp.right.color = BLACK;

56 nodeTemp.color = RED;

57 RBTLeftRotate(Tree,nodeTemp)

58 nodeTemp = node.nodeParent.left;

59 End

60 nodeTemp.color = node.nodeParent.color;

61 node.color.nodeParent = BLACK;

62 nodeTemp.left.color = BLACK;

63 RBTRightRotate(Tree,node.nodeParent);

64 node = Tree.root;

65 End

66 End

67 End

68 node.color = BLACK;

69 End

Процедура RBTDeleteFixUp применяется к дереву, которое обладает свойствами КЧД, если учесть дополнительную единицу черноты в вершине node (она теперь дважды чёрная, это чисто логическое понятие, и оно нигде фактически не сохраняется и логического типа для хранения цвета вам всегда будет достаточно) и превращает его в настоящее КЧД.

Что такое дважды чёрная вершина? Это определение может запутать. Формально вершина называется дважды чёрной, дабы отразить тот факт, что при подсчёте чёрных вершин на пути от корня до листа эта вершина считается за две черных. Если чёрная вершина была удалена, её черноту так просто выкидывать нельзя. Она на счету. Поэтому временно черноту удалённой вершины передали вершине node. В задачу процедуры RBTDeleteFixUp входит распределение этой лишней черноты. Они или будет передана красной вершине (и та станет чёрной) или после перестановок других чёрных вершин (дабы изменить их количество на пути от корня к листьям) будет просто выкинута.

В цикле (строки 3-67) дерево изменяется, и значение переменной node тоже изменяется, но сформулированное свойство остаётся верным. Цикл завершается, если:

node указывает на красную вершину, тогда мы красим её в чёрный цвет (строка 68).

node указывает на корень дерева, тогда лишняя чернота может быть просто удалена.

Могло оказаться, что внутри тела цикла удается выполнить несколько вращений и перекрасить несколько вершин, так что дважды чёрная вершина исчезает. В этом случае присваивание node = Tree.root (строки 33 и 64) позволяет выйти из цикла.

Внутри цикла node указывает на дважды чёрную вершину, а nodeTemp – на её брата (другую вершину с тем же родителем). Поскольку вершина node дважды чёрная, nodeTemp не может быть NIL, поскольку в этом случае вдоль одного пути от node.nodeParent было бы больше чёрных вершин, чем вдоль другого. Четыре возможных случая показаны на рисунке ниже. Зелёным и синим, помечены вершины, цвет которых не играет роли, то есть может быть как черным, так и красным, но сохраняется в процессе преобразований.

Рисунок 8

Убедитесь, что преобразования не нарушают свойство 4 КЧД (помните, что вершина node считается за две чёрные, и что в поддеревьях a - f изначально не равное количество чёрных вершин).

Случай 1 (строки 9-14 и 40-45) имеет место, когда вершина nodeTemp красная (в этом случае node.nodeParent чёрная). Так как оба потомка вершины nodeTemp чёрные мы можем поменять цвета nodeTemp и node.nodeParent и произвести левое вращение вокруг node.nodeParent не нарушая свойств КЧД. Вершина node остается дважды чёрной, а её новый брат – чёрным, так что мы свели дело к одному из случаев 2-4.

Случай 2 (строки 16-19 и 47-50). Вершина nodeTemp – чёрная, и оба её потомка тоже чёрные. В этом случае мы можем снять лишнюю чёрноту с node (теперь она единожды чёрная), перекрасить nodeTemp, сделав ёё красной (оба её потомка чёрные, так что это допустимо) и добавить черноту родителю node. Заметим, что если мы попали в случай 2 из случая 1, то вершина node.nodeParent – красная. Сделав её чёрной (добавление чёрного к красной вершине делает её чёрной), мы завершим цикл.

Случай 3 (строки 23 – 28 и 53 - 59) Вершина nodeTemp чёрная, её левый потомок красный, а правый чёрный. Мы можем поменять цвета nodeTemp и её левого потомка и потом применить правое вращение так, что свойства КЧД будут сохранены. Новым братом node будет теперь чёрная вершина с красным правым потомком, и случай 3 сводится к случаю четыре.

Случай 4 (строки 29 – 33 и 60 - 64) Вершина nodeTemp чёрная, правый потомок красный. Меняя некоторые цвета (не все из них нам известны, но это нам не мешает) и, производя левое вращение вокруг node.nodeParent, мы можем удалить лишнюю черноту у node, не нарушая свойств КЧД. присваивание node = Tree.root выводит нас из цикла.

Сравнительные характеристики скорости работы различных структур данных

Чтобы всё сказанное до этого не казалось пустой болтовнёй, я в качестве заключения приведу сравнительные характеристики скорости работы различных структур данных (деревьев и массивов). Для измерения времени была использована функция WinAPI QueryPerfomanceCounter. Время пересчитано в микросекунды. В скобках приведена конечная глубина дерева. Тестирование проводилось на процессоре Intel Celeron Tualatin 1000MHz с 384Мб оперативной памяти. В качестве ключа использовалось число типа int (32-х битное целое со знаком), а в качестве данных число типа float (4-х байтное вещественное).

Количество элементов

ДДП

КЧД

Постоянно сортированный массив

Несортированный массив

Массив с постсортировкой

1000

4943

(1000)

535

(17)

193

32

73

2000

20571

(2000)

1127

(19)

402

89

152

3000

65819

(3000)

1856

(20)

621

98

305

4000

82321

(4000)

2601

(21)

862

189

327

5000

126941

(5000)

3328

(22)

1153

192

461

6000

183554

(6000)

4184

(22)

1391

363

652

7000

255561

(7000)

4880

(23)

1641

452

789

8000

501360

(8000)

5479

(23)

1905

567

874

9000

1113230

(9000)

6253

(24)

2154

590

1059

10000

1871090

(10000)

7174

(24)

2419

662

1180

Таблица 1. Добавление элемента (возрастающие ключи)

Количество элементов

ДДП

КЧД

Постоянно

сортированный массив

Несортированный массив

Массив с постсортировкой

1000

4243

108

136

1354

134

2000

19295

250

289

5401

286

3000

71271

391

448

25373

441

4000

79819

560

615

23861

607

5000

124468

759

787

38862

776

6000

180029

956

954

55303

941

7000

246745

1199

1165

75570

1111

8000

487187

1412

1307

98729

1330

9000

1062128

1906

1494

134470

1474

10000

1807235

2068

1719

154774

1688

Таблица 2. Поиск элемента (возрастающие ключи).

Количество элементов

ДДП

КЧД

Постоянно сортированный массив

Несортированный массив

Массив с постсортировкой

1000

308

419

2077

2047

2080

2000

639

876

13422

8046

8179

3000

1001

1372

25092

30902

18407

4000

1380

1831

32572

32473

32651

5000

1680

2286

50846

51001

50962

6000

2105

2891

73321

73114

73202

7000

2569

3514

99578

100059

99801

8000

3025

4384

129833

129897

130054

9000

3484

5033

164846

194361

164264

10000

4050

5690

203207

202979

202738

Таблица 3. Удаление элемента по ключу (возрастающие ключи).

Количество элементов

ДДП

КЧД

Постоянно сортированный массив

Несортированный массив

Массив с постсортировкой

1000

547

(25)

548

(13)

1800

34

362

2000

1133

(25)

1171

(14)

5534

70

734

3000

1723

(28)

1905

(14)

12065

150

1174

4000

2891

(28)

2985

(15)

20867

223

1626

5000

3604

(28)

4024

(15)

32927

248

1962

6000

4336

(29)

4970

(15)

44720

373

2537

7000

5196

(29)

5794

(16)

60723

443

2977

8000

6051

(30)

6972

(16)

77482

511

3485

9000

6994

(30)

7519

(16)

104219

590

3821

10000

9544

(31)

10303

(16)

118760

584

4408

Таблица 4. Добавление элемента (случайные ключи)

Количество элементов

ДДП

КЧД

Постоянно сортированный массив

Несортированный массив

Массив с постсортировкой

1000

181

136

159

1354

155

2000

406

307

347

5412

339

3000

653

494

551

12927

538

4000

925

702

765

23936

747

5000

1223

949

1024

37861

962

6000

1532

1142

1216

55124

1185

7000

1893

1494

1453

75628

1403

8000

2477

1833

1679

98802

1631

9000

2943

2390

1994

125570

1858

10000

3395

2937

2228

154791

2108

Таблица 5. Поиск элемента (случайные ключи)

Количество элементов

ДДП

КЧД

Постоянно сортированный массив

Несортированный массив

Массив с постсортировкой

1000

469

517

1149

2014

1195

2000

995

1079

4381

8054

4387

3000

1557

1756

9673

18191

9639

4000

2272

2424

17071

32451

17105

5000

3070

3019

27380

50665

26954

6000

3528

3618

39294

72996

39227

7000

4322

4542

53255

99402

53309

8000

5299

5531

71406

129964

70766

9000

6180

6553

89583

164943

89935

10000

7527

7797

112190

202993

111439

Таблица 6. Удаление элемента по ключу (случайные ключи)

Постоянно сортированный массив – это массив, в который элементы вставляются так, что бы он сохранял свойство упорядоченности. Массив с постсортировкой – это массив, в который сначала вставляются все элементы, а потом он сортируется алгоритмом быстрой сортировки. Данные таблицы, безусловно, не являются истиной в последней инстанции, но позволят вам прикинуть, какая из структур данных будет наиболее производительна в вашей программе, учитывая предполагаемую вероятность операций вставки, удаления и поиска. Так, например, массив с постсортировкой является весьма привлекательным по производительности, но совершенно не подходит для комплексных работ, так как предполагает фиксированный порядок действий – сначала только добавление элементов, а после использование полученной информации. Другие структуры данных лишены этого недостатка. Для большого числа (порядка 10 000) случайных элементов время поиска в ДДП и КЧД становится практически одинаковым. Как следствие, можно реализовать более простые алгоритмы, исходя из некоторых свойств входных данных. С другой стороны, в крайнем случае (возрастающие элементы) ДДП отстают от КЧД на несколько порядков. Постоянно сортированный массив является абсолютным победителем по скорости, но не имеет естественной поддержки отношений родитель-ребёнок. Если они вам нужны, придётся реализовывать их поддержку самостоятельно. Также надо всегда помнить, что при количестве элементов порядка тысячи, асимптотические показатели скорости ещё не вполне вступили в силу и теоретически более быстрые структуры данных на практике могут оказаться более медленными. Так, например, скорость поиска в КЧД и массиве с пресортировкой до 5000-7000 практически одинакова. Так же надо заметить, что тестирование производилось на объектах относительно малого размера (8 байт), сравнимого с размером указателя (4 байта). Все виды массивов сортированных подразумевают весьма интенсивное копирование элементов, в то время как деревья работают с указателями. При размере элемента, на порядки превышающем размеры указателя, акценты сместятся весьма значительно. Например, ниже приведены результаты испытания с ключом типа int (32-x битное целое) и битовыми данными размером в 256 байт.

Количество элементов

ДДП

КЧД

Постоянно сортированный массив

Не сортированный массив

Массив с постсортировкой

1000

5868

(1000)

1663

(17)

1430

1154

1035

2000

140888

(2000)

3694

(19)

3476

2460

2808

3000

368748

(3000)

5815

(20)

5372

3848

4382

4000

721328

(4000)

7271

(21)

7274

5175

6035

5000

1208373

(5000)

9349

(22)

9247

6670

7619

6000

1752135

(6000)

11395

(22)

11046

7778

9168

7000

2501167

(7000)

13503

(23)

13327

9378

10764

8000

3334948

(8000)

15753

(23)

18222

12560

15267

9000

4266560

(9000)

21600

(24)

20564

15391

17430

10000

5421499

(10000)

24105

(24)

24064

17152

19341

Таблица 7. Добавление элемента (возрастающие ключи)

Количество элементов

ДДП

КЧД

Постоянно сортированный массив

Не сортированный массив

Массив с постсортировкой

1000

4289

132

242

1621

230

2000

134074

303

605

6903

530

3000

359985

457

961

24268

806

4000

706129

787

1336

27610

1121

5000

1183405

959

1736

44660

1516

6000

1730699

1116

2138

69068

1841

7000

2462759

1344

2494

103158

2251

8000

3293519

1565

2871

159274

2617

9000

4215750

1840

3284

278697

2923

10000

5361524

2060

3698

513268

3303

Таблица 8. Поиск элемента (возрастающие ключи)

Количество элементов

ДДП

КЧД

Постоянно сортированный массив

Не сортированный массив

Массив с постсортировкой

1000

502

583

115640

131837

186703

2000

1181

1152

1604342

1574484

1592896

3000

1602

1580

4616940

4653355

4604626

4000

2075

2537

8966113

8999484

8978279

5000

2689

3007

14848795

14851393

14822206

6000

3574

3836

21572736

21473162

21676597

7000

4129

4432

30384061

29938188

30409709

8000

4898

5424

39013182

39342862

39341616

9000

5086

6368

50197296

49946077

50320092

10000

6279

6372

63020912

62049584

62564125

Таблица 9. Удаление элемента по ключу (возрастающие ключи)

Количество элементов

ДДП

КЧД

Постоянно сортированный массив

Не сортированный массив

Массив с постсортировкой

1000

1903

(24)

2072

(12)

57991

1418

5448

2000

4532

(25)

4739

(14)

479463

3107

13907

3000

7747

(26)

7819

(15)

1727433

4992

22440

4000

10348

(29)

10664

(15)

3616654

6733

33905

5000

13064

(29)

13652

(16)

6141684

8314

43768

6000

16530

(31)

16713

(16)

9214638

10191

53619

7000

19305

(31)

19642

(16)

12981887

11904

61301

8000

23140

(32)

23329

(16)

17388765

13785

75968

9000

26051

(32)

26378

(16)

21935279

15335

92007

10000

29450

(32)

29448

(16)

27053495

17075

90155

Таблица 10. Добавление элемента (случайные ключи)

Количество элементов

ДДП

КЧД

Постоянно сортированный массив

Не сортированный массив

Массив с постсортировкой

1000

185

150

266

1613

274

2000

695

359

719

6974

724

3000

1044

586

1193

15561

1245

4000

2186

823

1694

27675

1703

5000

2701

1106

2234

44905

2314

6000

3898

1496

2874

71549

2871

7000

4883

1889

3464

109554

3371

8000

4186

2183

4060

165605

4077

9000

6760

2771

4696

281860

4622

10000

7291

3201

5372

514893

5384

Таблица 11. Поиск элемента (случайные ключи)

Количество элементов

ДДП

КЧД

Постоянно сортированный массив

Не сортированный массив

Массив с постсортировкой

1000

1235

1115

54929

111088

62794

2000

3042

2978

557875

1596298

558580

3000

4641

4703

1837401

4730623

1841029

4000

7531

6494

3830510

9008129

3833983

5000

9497

8788

6675616

14599142

6626964

6000

12018

10922

10270460

21832592

10315160

7000

14605

14376

14808484

29779691

14618091

8000

15876

16070

19927348

39932636

19946118

9000

20043

19079

25347571

49928153

25384886

10000

22117

21860

32049086

61766884

32072537

Таблица 12. Удаление элемента по ключу (случайные ключи)

Хорошо видно, что при увеличенном размере элемента деревья догоняют, а то и значительно обгоняют массивы. Таким образом, очевидно, что выбор структуры данных сильно зависит от предполагаемого количества элементов и их размера. Напоследок хотелось бы сказать, что правильный выбор структуры данных является одним из основных моментов, определяющих производительность программы. Поэтому подходить к выбору надо осторожно, продумав все возможные - как наиболее вероятные, так и наихудшие случаи.

Список литературы

Для подготовки данной работы были использованы материалы с сайта http://www.rsdn.ru/

Похожие работы: