[论文解读] Pivot Sampling in Dual-Pivot Quicksort

Markus E. Nebel, Sebastian Wild|arXiv (Cornell University)|Mar 26, 2014

Algorithms and Data Compression参考文献 18被引用 5

一句话总结

本文分析了 Yaroslavskiy 双轴快速排序中的枢轴采样，表明通过从样本中选择非中位数顺序统计量的非对称枢轴选择策略，可减少平均比较次数、交换次数及 Java 字节码指令数。关键发现是，由于 Yaroslavskiy 分区方案中固有的非对称性，倾斜的枢轴优于对称的枢轴，且最优倾斜程度高度依赖于所采用的成本模型。

ABSTRACT

The new dual-pivot Quicksort by Vladimir Yaroslavskiy - used in Oracle's Java runtime library since version 7 - features intriguing asymmetries in its behavior. They were shown to cause a basic variant of this algorithm to use less comparisons than classic single-pivot Quicksort implementations. In this paper, we extend the analysis to the case where the two pivots are chosen as fixed order statistics of a random sample and give the precise leading term of the average number of comparisons, swaps and executed Java Bytecode instructions. It turns out that - unlike for classic Quicksort, where it is optimal to choose the pivot as median of the sample - the asymmetries in Yaroslavskiy's algorithm render pivots with a systematic skew more efficient than the symmetric choice. Moreover, the optimal skew heavily depends on the employed cost measure; most strikingly, abstract costs like the number of swaps and comparisons yield a very different result than counting Java Bytecode instructions, which can be assumed most closely related to actual running time.

研究动机与目标

• 分析当枢轴从随机样本中选择为固定顺序统计量（而非中位数）时，双轴快速排序的平均情况性能。
• 确定最优的枢轴选择策略——具体而言，即最小化总成本的最优顺序统计量倾斜度。
• 解决抽象成本度量（比较次数、交换次数）与实际成本度量（Java 字节码指令数）之间的差异，后者导致不同的最优枢轴选择。
• 为采样枢轴设置下比较次数、交换次数及字节码指令数的平均数量提供精确的渐近主项。

提出的方法

• 作者将枢轴选择建模为从大小为 k 的样本中选取的固定顺序统计量，其中参数 t₁、t₂、t₃ 表示两个枢轴的秩。
• 使用形状函数法推导出排序 n 个元素的期望成本的递推关系，以分析递推关系的渐近行为。
• 应用连续映射定理（CMT）推导期望成本的主项，其中形状函数 w(z) 由枢轴秩的概率质量函数导出。
• 期望成本以 Beta 函数和调和数的形式表达，从而实现对比较次数、交换次数及字节码指令数的精确渐近分析。
• 在三种不同度量下分析成本模型：比较次数、交换次数及 Java 字节码指令数，每种度量均得出不同的最优枢轴配置。
• 该方法利用经典快速排序分析中的已知结果，并将其扩展至路径相关分区成本的非对称双轴设置。

实验结果

研究问题

• RQ1 在 Yaroslavskiy 双轴快速排序中，为最小化平均比较次数，最优的枢轴顺序统计量选择（即倾斜度）是什么？
• RQ2 当最小化交换次数与最小化比较次数时，最优枢轴选择有何不同？其差异原因是什么？
• RQ3 最优枢轴配置在多大程度上依赖于成本模型，特别是当比较抽象成本度量与实际字节码指令计数时？
• RQ4 能否在采样枢轴设置下，为所有三种成本度量（比较次数、交换次数、字节码指令数）精确推导出期望成本的渐近主项？

主要发现

• 为最小化比较次数而选择的最优枢轴并非样本的中位数，而是一个系统性倾斜的顺序统计量，其最优倾斜度取决于成本模型。
• 对于比较次数，最优枢轴选择可使平均比较次数约为 1.9n ln n，优于经典快速排序的 2n ln n。
• 为最小化交换次数而选择的最优枢轴配置与为最小化比较次数所选的配置显著不同，表明分区成本与子问题平衡之间存在权衡。
• 当通过 Java 字节码指令数衡量实际执行成本时，最优枢轴倾斜度再次不同，且最小字节码指令数出现在与比较或交换最优配置不同的顺序统计量处。
• 分析结果证实，Yaroslavskiy 算法得益于其分区方案中的非对称性，使得倾斜的枢轴比对称的枢轴更高效。
• 通过连续映射定理和 Beta 函数恒等式，为所有三种成本度量精确推导出期望成本的主项，实现了对成本的完整渐近刻画。