快速排除成员是否在集合中答案

【问题标题】：fast rule out if a member is in a set快速排除成员是否在集合中
【发布时间】：2014-03-10 14:32:46
【问题描述】：

我有一小组数字，我需要经常搜索。

该组是静态的并且在开始时是已知的。

我从观察中知道，大多数时候我正在搜索的数字不在组中。

我正在寻找的是一种算法，只需一两条指令即可：

永远不要说某个号码不在组中，而是在组中
该算法大部分或所有时间都预测是否是

例如，

如果数字是 x,y,z 我可以执行以下操作：

保存：

tmp = (x | y | z)

当我搜索一个我可以做的数字时：

if ((num & tmp) == (num))
    do the real search

如果数字是 x、y 或 z，则保证在与它进行 AND 时返回 num。如果不是，我可能什么也不搜索 - 但基本上没问题。

这个测试的主要问题是大多数时候对于组中超过 5 个数字，即使 num 不在组中，我也会得到 TRUE。

我正在考虑使用 XOR 魔法：

tmp = (x ^ y ^ z)

并且在搜索时执行以下操作：

(num ^ tmp)

但我不明白这如何帮助我确定元素是否在组中。

有什么想法吗？

谢谢，

伊泰

更新

我发现有用的是使用非常简单的布隆过滤器：

我已将 x、y 和 z 散列到一个位数组（例如 8 位）。然后，我将结果转移到正确的位：

uint8_t digest = (1 << (x % 8)) | (1 << (y % 8)) | (1 << (z % 8))

以及我使用过的搜索功能：

if ( (1 << (num % 8)) & digest )

我使用随机数进行了一些分析，发现使用 8 位在大约 30% 的时间给了我错误的指示。使用 16 位让它变得更好。

【问题讨论】：

您应该提供一个或多个您需要代表的组的示例，因为这可以帮助我们找到有趣的模式。
你为什么不使用布尔数组查找？如果数字范围太大，可能会使用一些原始散列。
您是否考虑过使用例如qsort 对列表进行排序，然后使用bsearch 进行搜索？您的按位算术是一个很酷的想法，但是随着您的数字列表的增长，将它们组合在一起将提供所有 1 的可能性越来越大，而且我看不到对它们进行异或运算将如何为您提供所需的结果。
我没有对它们进行排序的原因是该组非常小（最多 7 个数字）并且例程对性能非常敏感。这就是为什么我试图找到最快的排除检查。
@rcgldr 分配 528 兆字节的零，整个过程中只设置了 7 位，这是通过缓存抖动降低性能的好方法，并且可能是最慢的方法。

标签： c++ c performance algorithm

【解决方案1】：

只有七个数字，你应该在你的集合中进行暴力搜索；它会比任何其他方法都快。如果您的值是 16 位或更少，则可以在单个 SIMD 相等测试中进行；如果它们是 32 位，则可以分成两部分。

【讨论】：

对集合进行排序仍然会产生边缘结果，因为一旦找到大于搜索词的数字，您就可以退出搜索。
@DanFarrell 提前退出很可能会因为分支错误预测停顿而降低性能。
@ItayMarom 大多数与高效做事相关的好想法都依赖于平台。
实际上，您的第一个答案（您已删除的那个）帮助我找到了解决方案：一个简单的布隆过滤器。 billmill.org/bloomfilter-tutorial
我实际上认为布隆过滤器在这里不是一个好主意。由于集合中的元素数量很少，评估哈希函数可能比简单的搜索更昂贵。

【解决方案2】：

使用一个简单的散列函数将您的域映射到一个恒定范围（比如a.x mod b 或类似的）和一个b 布尔值数组。如果您足够幸运/足够小心，您最终可能不会遇到哈希冲突和精确测试。

【讨论】：

【解决方案3】：

数据结构

设 min 为目标集的最小值。让 max 成为目标集的最大值。

设 bset 为位向量，大小为保持 max - min 所需的总位数。

对于目标集中的每个数字 x，令 n = x - min。设置集合中的第 n 位。

谓词

对于给定的数字 x，令 n = x - min，如果设置了第 n 位，则它是一个成员。

每个测试的成本应该是，1 次减法，2 次位移，一次数组访问和一次逻辑与。如果您的位向量由一组 32 位或 64 位值表示，则您可以通过在屏蔽位之前先测试该值是否非零，从概率上减少更多。

内存成本取决于最大值和最小值之间的差异。

根据输入集的大小，我也倾向于为您拥有的数字编译一个比较器。如果您即时编写二进制搜索，您会看到最坏情况下的 log2(n) 比较，它与最多约 32 个数字的二进制向量相当。

【讨论】：

【解决方案4】：

如果“静态和开始时间”表示编译时，您可以使用开关。

bool inGroup(int i) {
switch(i) {
case X1: return true;
case X2: return true;
// ...
case X7: return true;
default: return false;
}

如果数字没有在整数范围内广泛分布，这将导致跳转表。如果数字范围分布广泛，您可以计算最佳哈希函数，例如使用 gperf。

如果数字不是编译时常量，您应该考虑将它们存储在一个数组中，对其进行排序并使用二分查找。排序只需要进行一次，搜索将需要最大。三个比较。

【讨论】：