平摊分析

-{T|zh-tw:均攤分析}-

Template:NoteTA -{A|zh:平摊分析;zh-tw:均攤分析}-（Template:Lang-en）在计算机科学中，是用於算法分析中的方法，平攤分析常用於分析資料結構（動態的資料結構），在使用平攤分析前須知道資料結構各種操作所可能發生的時間，並計算出最壞情况下的操作情況並加以平均，得到操作的平均耗费时間。均攤分析只能確保最壞情形下，每次操作花費的平均時間。與Template:Link-en不同，在均攤分析中我們並沒有對輸入的操作序列的資料分布做任何假設。

一個簡單的例子，一個長度為 $n$ 的list，在list的最後要加入一筆新的資料此時要花費的操作時間為 $O(n)$，此時也是加入新的資料的最糟糕的情況。但是，一个 $n$ 个插入的操作序列仍然可以在 $O(n)$ 的时间内完成，因为剩下的插入可以在常数时间内完成，因此 $n$ 个插入可以在 $O(n)$ 的时间内完成。因此每操作的平摊耗费为 $O(n)/n=O(1)$。

注意平摊分析与平均时间分析和概率算法的概率分析不同。在平均时间分析中，我们平均化所有可能的输入；在概率算法的概率分析中，我们平均化所有可能的随机选择；在平摊分析中，我们平均化一系列操作的耗费。平摊分析假设的是最坏情况输入并且通常不运行随机选择。

平摊分析中几种常用的技术:

• 聚合分析决定 $n$ 个操作序列的耗费上界 $T(n)$，然后计算平均耗费为 $T(n)/n$。
• 记账方法确定每个操作的耗费，结合它的直接执行时间及它在对运行时中未来操作的影响。通常来说，许多短操作增量累加成「债」，而通过减少长操作的次数来「偿还」。
• 势能方法类似记账方法，但通过预先储蓄「势能」而在需要的时候释放。

平摊分析種類

聚集法(Aggregate method)

計算n個操作的時間複雜度上限T(n) 平攤T(n)至每一個操作，每一個操作的平攤成本是T(n)/n

記帳法(Accounting method)

執行花費較低的operations時先存credit未雨綢繆, 供未來花費較高的operations使用

對每個操作定義一個合法的均攤成本(amortized cost) 假設$c_i$為第i個操作的actual cost，$\widehat{c_i}$為第i個操作的amortized cost

若$c_i<\widehat{c_i}$，則credit=$\widehat{c_i}-c_i$，我們把credit存起來(deposited)，未來可以提取(withdraw) 若$c_i>\widehat{c_i}$，則提取credit

設定每個操作的均攤成本(amortized cost)後，要做valid check確保credit不可以是0，也就是說 $\sum _{k=1}^n\widehat{c_i}\ge \sum _{k=1}^n{c}_i$

位能法(Potential method)

定義一個位能函數(potential function)$\mathrm{\Phi }(D)$，將資料結構D(例如: 堆疊)的狀態對應到一個實數

$D_0$: 資料結構D的初始狀態

$D_i$: 資料結構D經過$i$個操作後的狀態

$c_i$: 第$i$個操作的actual cost

$\widehat{c_i}$: 第$i$個操作的amortized cost

定義$\widehat{c_i}=c_i+\mathrm{\Phi }(D_i)-\mathrm{\Phi }(D_{i-1})$

$\sum _{k=1}^n\widehat{c_i}=\sum _{k=1}^n(c_i+\mathrm{\Phi }(D_i)-\mathrm{\Phi }(D_{i-1}))=(\sum _{k=1}^n{c}_i)+\mathrm{\Phi }(D_n)-\mathrm{\Phi }(D_0)$

為了滿足$\sum _{k=1}^n\widehat{c_i}\ge \sum _{k=1}^n{c}_i$

我們定義$\mathrm{\Phi }(D_n)-\mathrm{\Phi }(D_0)\ge 0$ , 通常令$\mathrm{\Phi }(D_0)=0$ 和 $\mathrm{\Phi }(D_n)\ge 0$

例子

堆疊(stack)的平攤分析

我們定義一個堆疊有下列操作

操作(operation)	說明	actual cost
S.push(x)	將一個元素x放入堆疊S中	$O(1)$
S.pop()	把堆疊S中最上面的元素取出	$O(1)$
S.multi-pop(k)	一次pop k個元素	$O(\min (\left|S\right|,k))$

S.mult-pop(k)的程式碼如下

def multi_pop(k):
	while (not S.empty()) and (k>0):
		S.pop()
		k -= 1

接下來我們分別使用聚集法(aggregate method), 記帳法(Accounting method), 位能法(Potential method)求出"堆疊一個操作的平攤成本是O(1)"

使用聚集法(aggregate method)分析堆疊操作的平攤成本

令$n_{push}$是S.push(x)的執行次數，$n_{pop}$是S.pop()的執行次數，$n_{multi-pop}$是S.multi-pop(k)的執行次數

$n=n_{push}+n_{pop}+n_{multi-pop}$為總執行次數

操作(operation)	actual cost	執行次數
S.push(x)	$O(1)$	$n_{push}$
S.pop()	$O(1)$	$n_{pop}$
S.multi-pop(k)	$O(\min (\left|S\right|,k))$	$n_{multi-pop}$

因為一個堆疊S如果是空的，就不能執行pop了，也就是說可以pop或multi-pop的元素個數不會超過S中push進去的元素個數

所以$n_{pop}+n_{multi-pop}\le n_{push}$

假設$T(n)$是執行$n$個操作的時間複雜度上限

$T(n)=O(1)\times n_{push}+O(1)\times n_{push}=O(n)$

所以堆疊一個操作的平攤成本為$O(n)/n=O(1)$

使用記帳法(Accouting method)分析堆疊操作的平攤成本

我們假設S.push(x), S.pop(), S.multi-pop(k)的amortized cost分別為2, 0, 0，如下表所示

操作(operation)	actual cost $c_i$	amortized cost $\widehat{c_i}$
S.push(x)	1	2
S.pop()	1	0
S.multi-pop(k)	$O(\min (\left|S\right|,k))$	0

Valid Check 證明: $\sum _{k=1}^n\widehat{c_i}\ge \sum _{k=1}^n{c}_i$
$proof:$ push進入堆疊S的元素會存入credit $1 pop(S), multi-pop(S, k) 會取出這些元素的credit $1

因此每個操作的平攤成本是O(1)

使用位能法(potential method)分析堆疊操作的平攤成本

我們定義位能函數$\mathrm{\Phi }(D)$為執行i個操作後，堆疊內的元素個數

$\mathrm{\Phi }(D_0)=0$ ，因為堆疊一開始是空的

$\mathrm{\Phi }(D_i)\ge 0$ ，因為堆疊的元素個數一定$\ge 0$

計算堆疊S每一個操作的平攤成本

操作(operation)	平攤成本(amortized cost) $\widehat{c_i}$
S.push(x)	$\widehat{c_i}=c_i+\mathrm{\Phi }(D_i)-\mathrm{\Phi }(D_{i-1})=1+(\left|S\right|+1)-\left|S\right|=2$
S.pop()	$\widehat{c_i}=c_i+\mathrm{\Phi }(D_i)-\mathrm{\Phi }(D_{i-1})=1+(|S-1|)-\left|S\right|=0$
S.multi-pop(k)	$\widehat{c_i}=c_i+\mathrm{\Phi }(D_i)-\mathrm{\Phi }(D_{i-1})=k+(|S-k|)-\left|S\right|=k-k=0$

總平攤成本 $\sum _{k=1}^n\widehat{c_i}=2\times n_{push}=O(n)$，所以堆疊單一個操作的平攤成本是$O(n)/n=O(1)$

动态数组

动态数组的平摊分析

考虑一个随元素个数增加而增长的动态数组，比如Java的ArrayList或者C++的std::vector。如果我们的数组大小从4开始，那么来向其中增加四个元素的时间就是一个常数。然而，若要将第五个元素加入其中，那么会花费更多时间，因为我们此时必须要创建一个两倍于当前数组大小的数组（8个元素），把老元素拷贝到新数组中，然后增加一个新元素。接下来的三次加入操作也同样会花费常数时间，然后在数组被填满后则又需要一轮新的加倍扩充。

一般地，如果我们考虑任意一个任意的n大小的数组并对其进行n + 1次加入操作。我们注意到，所有的加入操作都是常数时间的，除了最后一个，它会花费[[Big O notation|Template:Tmath]]时间在大小加倍上。因为我们进行了n + 1次加入操作，我们可以将数组加倍的时间平摊到所有的加入操作上，因此得到加入操作的平均时间是$\frac{nO(1)+O(n)}{n+1}=O(1)$。它是一个常数。

队列

使用Ruby實現的佇列，一个先進先出資料結構:

class Queue
  def initialize
    @input = []
    @output = []
  end

  def enqueue(element)
    @input << element
  end

  def dequeue
    if @output.empty?
      while @input.any?
        @output << @input.pop
      end
    end

    @output.pop
  end
end

佇列操作及特性參考佇列條目，enqeue及deqeue操作時間複雜度為常數， 否則，dequeue需要Template:Tmath時間將所有元素從輸入數組添加到輸出數組中，其中n是輸入數組的當前長度。 從輸入複製n元素後，我們可以在輸出數組再次為空之前執行n出隊操作，每次操作都需要一個恆定的時間。 因此，我們可以僅在Template:Tmath時間執行一系列n出列操作，這意味著每個出列操作的攤銷時間是Template:Tmath 。

或者，我們可以收取將任何項目從輸入數組複製到輸出數組的成本，以及該項目的早期排隊操作。 該計費方案將入隊的攤還時間加倍，但將出列的攤還時間減少到Template:Tmath。

通常用法

• 在常见场合，我们把能很好平摊分析的算法称为“平摊算法”。
• 在线算法通常使用平摊分析。