Numerentur.

org Números Computación Seguridad TIC Complementos

Busca en nuestro contenido:

Buscar ... Vale Ordenación de Vectores I
Cualquiera que esté cercano a las ciencias de la computación habrá sufrido en sus primeros estudios la realización de prácticas
de Ordenación de Vectores, un tema básico en algoritmos y estructuras de datos.
Indice
Numerentur.org Esta problemática es de extrema importancia aunque no tenga una visibilidad reconocida, pongamos un ejemplo (no es de
Números ciencia ficción): Cómo ordenaríamos fotones o cómo realizaríamos una simulación basada en partículas, pues tan fácil como usar
Computación GPU bucket, Bitonic o cualquier otro algoritmo adaptado a las circunstancias.
Seguridad TIC
Complementos
Algo a tener en cuenta, algunos de los algoritmos que se han publicado son teóricos y muestran que se comportan mejor que los
que están englobados en los de comparación, de casillero o radix, pero a pesar de sus ventajas teóricas, no son una mejora para
Estadísticas desde 1/1/2.020 los rangos típicos y prácticos de ordenación.

Paginas vistas 6.725

Este artículo se introduce en los conceptos, estructuras y algoritmos que han intentado obtener el mejor rendimiento en el
Días en el rango 34 proceso de ordenación. La ordenación en red y con computación paralela se abordará en artículos posteriores.
Promedio de páginas vistas diarias 198

Desde cualquier SERP 38 Los algoritmos desarrollados, en Ordenación de Vectores II, están orientados a trabajar con números enteros positivos, algunos
de estos podrán trabajar con otro tipo de dato realizándoles pequeñas modificaciones. Esto tiene una pequeña explicación:
IPs Unicas 2.172 algunos de los algoritmos base contienen errores o los han contenido y puede que algún otro lo contenga, para no arrastrar esos
errores cierro el círculo tratando de que lo que se publica esté libre de ellos. Ejemplos de esta situación:
Últimos 30 minutos 42

Hoy 214
En 1.971 M. Foley y Antony R. Hoare publican la primera prueba de corrección de un algoritmo de ordenación, la del
Ayer 126 Quicksort.
En 2.015 se detecta que Timsort en Android, Java y Python no funciona correctamente.

Por otro lado

Acumulado hasta 2.020

En 1.999 J.C. Filliâtre y N. Magaud garantizan que los algoritmos de Inserción, Montículo y Quicksort trabajan de
forma correcta.
En 2.013 C. Sternagel certifica que Mergesort también es correcto. Recordemos que Mergesort viene del año 1.945.

Esto nos puede dar una idea de la incertidumbre que nos pueden transmitir algunos algoritmos. Quizás debamos construir una
entidad de certificación que garantice la idoneidad de los algoritmos de uso público (Programas Marco de la UE) y exigir
responsabilidades a los patentados y propietarios de marca.

Tipos.
Los algoritmos de ordenación pueden estar dentro de tres grupos:
1. En función de dónde están los datos.
Internos. Los datos caben en la memoria principal y allí se procesan.
Externos. Los datos no caben en la memoria principal y residen en un almacenamiento externo. Para esta
situación algunos algoritmos que son eficientes en la memoria principal pueden no serlo cuando en el
tiempo de ejecución se incorpora el número de operaciones de entrada y salida (E / S). Lo vermos más
adelante, pero los mejores algoritmos secuenciales de ordenación operan con O (n log n), en comparación
los externos ya solo en la lectura de la entrada tienen O (n). En el supuesto de tener solo un dispositivo
externo, cualquier algoritmo requerirá accesos externos de O (n2). Es una problemática de tiempos pasados
pero hay que conocerla.
2. En función de la existencia de operaciones de comparación
Comparables. Los elementos del vector se comparan entre sí, son la inmensa mayoría de los existentes y
en promedio no puede funcionar más rápido que Ω (n lg n). Estos obtienen información sobre el orden
relativo de los elementos a través de comparaciones por pares. Su tiempo óptimo de ejecución es O (n log
n), sin embargo, este modelo no es el más natural para el estudio de problemas de ordenación, ya que las
máquinas actuales permiten muchas operaciones además de la comparación. Usando direccionamiento
indirecto es posible ordenar enteros en tiempo lineal a través del algoritmo de Cubetas / Bucket, lo que
demuestra que el límite inferior basado en la comparación puede no ser correcto en el contexto de la
ordenación de enteros.
No comparable. No comparan los elementos del vector entre sí, utilizan caracteres internos para reorganizar
los valores en el orden correcto, por ejemplo: Radix.
3. Según el uso de procesadores.
Secuenciales. Utiliza 1 solo proceso, ejecutando las instruciones una detrás de otra.
En Paralelo. Utiliza un número de máquinas, núcleos o procesos > 1. Las instruciones pueden dividirse o
agruparse ejectándose en distintos procesadores o máquinas en el mismo tiempo.

Todos los grupos son combinables.

También podemos clasificalos según su estructura:

Adaptativa. Eficiente para conjuntos de datos que están parcialmente ordenados, también denominada Smoothness
(Suave), este término fue introducido por Edsger W. Dijkstra en 1.981 cuando publicó una variante del algoritmo del
Montículo-Heapsort denominada Smoothsort. Una ordenación es suave o está desbastada, cuando su rendimiento
mejora de O (n log n) a O (n) si la entrada ya está ordenada en algún grado, a esto se le denomina ordenación
adaptativa. El vector ordenado cumple esta definición cuando el tiempo de ejecución T(n) = O(n log n), donde n es el
número de valores distintos de los elementos. La ventaja de smoothsort es que se acerca al tiempo O (n), mientras
que el promedio es O (n log n) independientemente del estado inicial.

Complejidad. Referente a su Complejidad Computacional. La complejidad teórica de un algoritmo se mide en

unidades de tiempo a través del número de instrucciones (I1, … In) y del nº de veces (E1, … Ev) que se ejecutan,
además es independiente de la plataforma en la cual se corre el algoritmo. También sabemos que existen muchos
parámetros de rendimiento que hacen que una instrucción se ejecute mejor en un procesador que en otro, o que los
datos sean tan grandes que su movimiento tome una parte importante del tiempo de ejecución o que sea
pararelizable, estos y otros condicionantes alteran los valores esperados.

Estable. La estabilidad es la forma en cual se comportan los algoritmos cuando contienen valores idénticos, los
algoritmos estables no cambian el orden relativo de los mismos.

In Situ. Es el modo de cómo se utiliza la memoria respecto de las variables auxiliares, en este caso son los tipos de
algoritmos que no requieren espacio adicional para realizar la clasificación, la unidad de medida es O (1). En la
actualidad es un concepto en vías de desuso, no tiene sentido desperdiciar las mejoras que se pueden lograr usando
memoria adicional, sobre todo cuando el coste de la memoria es despreciable.

En Línea. Puede ordenar el vector a medida que lo recibe.

Modelo. Es el método que utilizan los algoritmos para obtener la ordenación, pueden ser:
Distribución. Toman los elementos distribuyéndolos en varias estructuras intermedias que luego se reúnen y
se concatenan.
Fusión.
Híbridos. Son los que utilizan dos o más algoritmos combinando sus características o utilizándolos en un
orden determinado.
Inserción. Toma un elemento del vector, localiza la ubicación que le corresponde y lo inserta en esa
posición.
Intercambio. Recorre el vector comparando los elementos adyacentes intercambiándolos si es necesario.
Selección. Necesita localizar el elemento de valor mínimo-máximo en el vector.

La mejor estructura de ordenación debería tener, al menos, las siguientes propiedades:

Complejidad O (n lg n)
Adaptativa
Estable
In Situ

Taxonomía.

Taxonomía de los algoritmos de ordenación

Complejidad.
La mayoría de las publicaciones, incluida esta, muestran la complejidad de los algoritmos de ordenación en sus límites inferiores
y superiores, representados mayoritariamente por valores O (–) que siempre se darán en función del tamaño n de la entrada
(cantidad de elementos en el vector).

La estimación del límite inferior de un problema se mide en función del tamaño de la entrada y salida (n), esto nos permite decir
que la ordenación no puede resolverse con ningún algoritmo menor de O (n), algo obvio, porque se necesitan al menos n pasos
para leer y escribir los valores que se deben ordenar.

Por otro lado, sabemos que cualquier algoritmo debe comparar cada valor de entrada para reconocer si los valores están
ordenados, lo podemos ver y representar como un árbol de decisión binario, siendo los nodos las comparaciones y las ramas
los posibles resultados. Contamos las comparaciones de elementos como decisiones, pudiéndose observar que el número
mínimo de hojas en el árbol es el factorial de n, entonces las hojas están en O (n log n), ya sabemos que el problema de la
ordenación tiene los límites en O (n) y O (n log n).

El análisis de la complejidad que se hace de los algoritmos de ordenación se refiere a la situación inicial de los datos (rangos de
los elementos, tamaño, ordenación inicial, etc.) que provoca las siguientes situaciones:

Mejor caso Ω (–). La ejecución del algoritmo tiene una menor complejidad computacional. Por ejemplo, en el
algoritmo de Inserción sucede cuando el conjunto de elementos a ordenar ya se encuentra ordenado y toma O
(n) pasos para realizar la tarea.
Peor caso O (–). La ejecución tiene una mayor complejidad computacional. Tomando el algoritmo de inserción, su
peor caso sería cuando los elementos que le llegan están ordenados de forma inversa, necesitaría O (n 2) pasos para
ordenarlos.
Promedio Θ. Los datos a ordenar no siguen un patrón que aporte ventajas o desventajas, sería la situación normal
de ejecución.

Continuar en Ordenación de Vectores II.

Derechos reservados © Numerentur.org

Contactos: info@numerentur.org colaborador@numerentur.org
Patrocinadores