Question

我的标题已被编辑，所以我想确保每个人都知道这是作业。问题只是优化程序，散列是我的想法。

-

我正在努力优化一个C程序，它将相互作用的字组合在一起，然后打印出来。

目前该程序基本上是链表的链表。外部列表中的每个链接都是一组相互字谜的单词。

该程序的配置文件显示，到目前为止，执行时间的最大部分是函数wordLookup。这是因为它必须搜索每个节点，并且从文件读入可能的100k字，这可能需要很长时间。例如，这里是gprof输出，用于读取40k字：

Each sample counts as 0.01 seconds.
  %   cumulative   self              self     total
 time   seconds   seconds    calls  us/call  us/call  name
100.31      1.48     1.48    40000    37.12    37.12  wordLookup
  0.00      1.48     0.00    78235     0.00     0.00  newnode
  0.00      1.48     0.00    40000     0.00     0.00  sort_string
  0.00      1.48     0.00    38235     0.00     0.00  wordInsert
  0.00      1.48     0.00     1996     0.00     0.00  swap_words
  0.00      1.48     0.00     1765     0.00     0.00  wordAppend

我提高速度的想法是将数据结构更改为一个哈希表，该表在同一个插槽中链接彼此的所有字符。

根据我的教授所说的内容以及我在这里阅读的内容，我正在考虑使用哈希函数。（注意：素数的分布使得最常用的字母数字较少，使用最少的字母数字较大。）

sort(string)

array alpha_primes = 5,71,37,29,2,53,59,19,11,83,79,31,43,13,7,67,97,23,17,3,41,73,47,89,61,101
hash(String) {
  hash = 1
  for (char in String) {
    hash *= alpha_primes[char-'a'];
  }
  return hash % tablesize
}

是否存在此问题的哈希表大小，可以适当地分配值，使得每组字谜在表中都有不同的索引？

如果那是不可能的，那么我应该：

将单词列表链接在一起（列表列表）
使用探测（线性或二次）解决方案
对于上述任何一种情况，比较时有哪些好处/缺点？

Answer 1

无法保证哈希值是唯一的。碰撞的概率可以通过生日问题来计算，最好的办法是尽量减少碰撞。

2组散列到相同值的概率可近似为1-e ^（（ - k（k-1））/ 2n），其中k是您拥有的组的总数（大致相同）如你的字数），n是你的哈希的搜索空间（2 ^（哈希的长度））。

我的词典大约有100000个单词，使32b哈希非常好（2％的分组）。但是，大的哈希表会使用4GB的RAM。使用较小的表意味着更多的分裂。链接或探测不会在时间上产生巨大的差异。

正如您对问题的评论所推荐的那样，特里会最终会在一个较小的数据结构中结束。

字谜 - 在C中用链接和探测进行哈希

1 个答案: