The Lock-free $k$-LSM Relaxed Priority Queue
优先级队列是数据结构，其以有序的方式存储密钥以允许对最小（最大）密钥的有效访问。优先级队列对于许多应用是必不可少的，例如，Dijkstra的单源最短路径算法、分支定界算法和优先排序算法。高效的多处理器计算需要实现基本的数据结构，这些数据结构可以并发使用，并可以扩展到大量的线程和内核。无锁数据结构通过避免阻塞同步原语保证了卓越的可伸缩性，但\emph{delete-min}操作是并发优先级队列中固有的可伸缩性瓶颈。最近的工作集中于通过简化操作或通过放宽对\emph{delete-min}操作的要求来减轻这一障碍。我们提出了一个新的，无锁的优先级队列，放宽了\emph{delete-min}的操作，使它可以删除\emph{any}的$ρ+1$最小的键，其中$ρ$是一个运行时可配置的参数。此外，对于由同一线程添加和移除的项，该行为与非松弛优先级队列相同。优先级队列是以类似于日志结构的合并树的方式从对数数量的排序数组中构建的。我们实验比较我们的优先级队列最近的国家的最先进的无锁优先级队列，无论是放松和非放松的语义，表现出高性能和良好的可扩展性，我们的方法。
2015-03-19 cs.DS
Retroactive Monotonic Priority Queues via Range Searching
Institute of Computing - UFAM（UFAM计算研究所）
本文研究了回溯单调优先队列，证明其最小值查找是范围搜索问题的特例，并设计出时间空间复杂度与标准优先队列相同的回溯单调优先队列。
2026-04-14 cs.CG cs.DS
Multiresolution Priority Queues
优先级队列是许多高性能计算（HPC）应用程序所必需的容器数据结构。在本文中，我们介绍了多分辨率优先级队列，一个数据结构，提高了性能的标准堆为基础的实现，通过权衡了可控量的分辨率在空间的优先级。新的数据结构可以将插入元素的最坏情况性能从O（log（n））降低到O（log（r）），其中n是队列中的元素的数量，r是优先级空间中的解析组的数量。最坏的情况下，删除顶部元素的代价是O（1）。当表中的元素数量很大时，插入一个元素的摊销成本变为O（1）。
2017-08-10 cs.DS
Strictly Implicit Priority Queues: On the Number of Moves and Worst-Case Time
Williams（1964）的二进制堆是一个简单的优先级队列，其特征在于只存储一个包含元素和元素数$n$的数组-这里表示严格隐式优先级队列。我们引入了两个新的严格隐式优先级队列。第一种结构支持摊销的$O(1)$时间插入和$O(\log n)$时间提取最小值操作，其中两个操作都需要摊销的$O(1)$元素移动。以前没有任何具有$O(1)$时间的隐式堆插入支持具有$O(1)$移动的这两个操作。第二个结构支持最坏情况的$O(1)$时间插入和$O(\log n)$时间（和移动）提取最小值操作。以前的结果要么被摊销，要么在操作之间需要$O(\log n)$位的附加状态信息。
2015-05-01 cs.DS
Priority Queues with Multiple Time Fingers
提出了一个优先级队列，它支持在最坏情况下的常数时间内插入和查找min，在最坏情况下的O（lg（min{w_x，q_x}+2））时间内删除和删除min，其中w_x（q_x）分别是在x之后（x之前）插入并在删除x时仍然存在的元素数.我们的优先级队列则同时具有工作集和非工作集属性，并且在最坏情况下更强地满足这些属性。我们还定义了一个新的分布敏感的属性-时间指针属性，它封装和推广的工作集和优先级属性，并提出了一个优先级队列，满足此属性。此外，我们证明了一个强的含义，工作集属性是等价的统一界（这是最小的静态手指，静态最优性，和工作集界之间的操作）。后一个结果本身就具有极大的意义，因为自从Sleater和Tarjan [JACM 1985]引入这样的边界以来，它一直没有被注意到。因此，我们的优先级队列满足其他分布敏感的属性，静态手指，静态最优性，和统一的界限。
2010-09-28 cs.DS
Exploring Monotone Priority Queues for Dijkstra Optimization
本文全面概述了单调优先队列在Dijkstra等最短路径算法中的演进与应用，探讨了源自Dial算法的多级桶和基数堆等关键数据结构，并分析了其理论复杂度与实际考量。
2024-10-16 cs.DS
Worst-Case Optimal Priority Queues via Extended Regular Counters
我们考虑的经典问题，表示下的操作\Findmin{}，\Insert{}，\Decrease{}，\Meld{}，\Delete{}，和\Deletemin{}的优先级队列的集合。在基于比较的模型中，如果要在恒定时间内支持前四个操作，则最后两个操作必须至少花费对数时间。Brodal证明了他的最坏情况有效优先级队列达到了这些最坏情况的界限。不幸的是，这个数据结构被涉及并且时间界限隐藏了大的常数。我们描述了一个新的变种的最坏情况下的有效的优先级队列，依赖于扩展的定期计数器，并提供了相同的渐近时间和空间界限的原始。由于常规计数器上的操作和所有其他操作在概念上是分离的，因此我们的数据结构更简单，更易于描述和理解。此外，时间和空间边界中的常数较小。此外，我们给出了我们的结构上的指针机器上的实现。对于我们的指针机器实现，\Decrease{}和\Meld{}是渐进较慢的，需要$O(\lg\lg{n})$最坏情况的时间，其中$n$表示存储在结果优先级队列中的元素的数量。
2011-12-05 cs.DS
A Faster External Memory Priority Queue with DecreaseKeys
优先级队列是一种基本的数据结构，它维护一组动态的（键，优先级）对，并支持插入、删除、提取最小值和减少键操作。在外部存储器模型中，当前最佳优先级队列支持摊销$O(\frac{1}{B}\log \frac{N}{B})$ I/O中的每个操作。如果不需要支持DecreaseKey操作，则可以设计支持Insert的更有效的数据结构，最近的一个结果表明，通过证明$O(\frac{1}{B}\log \frac{N}{B}/ \log \frac{M}{B})$ I/O的下界，性能下降是不可避免的。具有DecreaseKeys的优先级队列的OS。在本文中，我们提出了一个新的优先级队列，它支持DecreaseKey操作，并具有预期的摊销I/O复杂度为$O(\frac{1}{B}\log \frac{N}{B}/\log\log N)$，从而缩小了下限和上限之间的差距。我们的研究结果在十多年来首次改进了DecreaseKeys的外部存储器优先级队列，并给出了最快的外部存储器单源最短路径算法。
2018-06-20 cs.DB cs.DS
A Bulk-Parallel Priority Queue in External Memory with STXXL
我们提出了一个大容量并行外部存储器优先级队列的设计和实现，以利用共享存储器的并行性和高外部存储器传输速度并行磁盘。为了通过解耦项插入和提取来实现更高的性能，我们提供了两个并行化接口：一个使用“批量”序列，另一个通过定义“限制”项。在设计中，我们讨论了如何使用多个堆并行插入，以及如何计算一个动态预测序列来预取块和应用并行多路合并提取。我们的实验结果表明，在选定的基准的优先级队列达到75%的旋转磁盘和65%的固态硬盘的全并行I/O带宽，或在外部存储器中的排序速度时，由计算限制。
2015-04-02 cs.DS
Adaptive Cache-Friendly Priority Queue: Enhancing Heap-Tree Efficiency for Modern Computing
提出一种自适应缓存友好的优先队列，通过三个可调参数在缓存友好性与CPU指令数间权衡优化堆树结构，显著减少缓存未命中并提升性能，且支持动态增长与自动参数搜索。
2023-11-24 cs.DS
PIPQ: Strict Insert-Optimized Concurrent Priority Queue
PIPQ提出一种以插入并行性为核心的严格可线性化并发优先队列，通过工作层与领导层两级结构加速插入操作，在插入主导负载下显著优于现有方案。
2025-08-22 cs.DS
Practical Concurrent Priority Queues
优先级队列是抽象的数据结构，它存储一组键/值对，并允许有效地访问具有最小（最大）键的项。这种队列是计算机科学的各个领域中的重要元素，例如算法（即Dijkstra的最短路径算法）和操作系统（即优先级排序器）。近来多处理器计算的趋势要求基本数据结构的新实现，这些基本数据结构能够被并发地使用并且很好地扩展到大量线程。特别是，无锁结构通过避免使用阻塞同步原语而保证了卓越的可伸缩性。并发优先级队列在过去的几十年中得到了广泛的研究。在本文中，我们讨论了三个主要的想法在该领域：细粒度的锁定采用多个锁，以避免一个单一的瓶颈队列中;跳过列表是搜索结构，使用随机化，因此不需要精心的重组计划;和放松数据结构贸易语义保证提高可扩展性。
2015-09-23 cs.DC cs.DS
Priority Queue Based on Multilevel Prefix Tree
树结构是非常常用的数据结构。在有序树中有许多变种，它们的基本操作如插入、删除、搜索、删除-min都具有对数时间复杂度。在这篇文章中，我将介绍一个结构，它的时间复杂度为$O(\frac{M}{K} + K)$，其中M是数据类型的大小，K是适当匹配数据类型大小的常数。适当匹配的K将使结构作为一个非常有效的优先级队列。结构大小线性地取决于元素的数量和大小。PTrie巧妙地结合了前缀树Trie的思想、插入和删除操作的对数时间复杂度结构、双向链表和队列。
2007-08-21 cs.DS
Learning-Augmented Priority Queues
ENSAE, Ecole polytechnique（法国国立统计与经济行政学校、巴黎综合理工学院）；University of Oxford（牛津大学）
本文探讨了在学习增强框架下优先队列的设计，通过利用可能不准确的预测来提升最坏情况性能，考察了三种预测模型并证明了所提解决方案的最优性。
2024-11-17 cs.AI cs.DS cs.LG
A rearrangement step with potential uses in priority queues
基于链接的数据结构，例如链表和二叉搜索树，具有许多公知的重排步骤，允许插入、删除和其他操作的有效实现。我们描述了一个重排原语设计的基于链接的，堆排序的优先级队列中的比较模型，如那些类似于斐波那契堆或二项式堆。在其最基本的形式中，原语重新排列堆有序的完美二叉树的集合。这样做提供了一种数据结构，可以控制这样一个集合中涉及的树的数量，特别是保持这个数量在元素数量上是对数。重排步骤是免费的摊销复杂性的观点（使用适当的潜在功能）。
2012-03-01 cs.DS
Multi-Queues Can Be State-of-the-Art Priority Schedulers
设计和实现高效的并行优先级调度器是一个活跃的研究领域。一个有趣的建议设计是多队列：给定$n$线程和$m\ge n$不同的优先级队列，任务插入是随机均匀执行的，而删除，线程随机均匀选择两个队列，并删除观察到的更高优先级的任务。这种方法扩展性很好，并且具有概率等级保证：粗略地说，相对于所有其他队列中的剩余任务，每个被删除的任务的等级是预期的$O(m)$。然而，这种模式的性能低于精心设计的路由器，它避开了实际效率的理论保证。我们调查是否有可能设计和实现一个基于多队列的任务调度，既高效，具有分析保证。我们提出了一个新的变体，称为窃取多队列（Stealing Multi-Queue，简称SQM），这是多队列的一个缓存高效变体，它利用了两个队列的亲和性--每个线程都有一个本地队列，任务通常会从该队列中删除;但是线程也有可能尝试从其他队列中窃取更高优先级的任务--以及任务缓存，也就是说，在一个插入/删除步骤中处理多个任务。这些想法是众所周知的任务调度没有优先级，我们的理论贡献是表明，尽管放松，这种设计仍然可以提供等级保证，这反过来又意味着总的工作执行的界限。我们提供了一个通用的并行计算实现，可以超越国家的最先进的并行计算，如伽罗瓦和PMOD在流行的图形处理基准的性能。值得注意的是，性能的提高主要来自我们的调度程序提供的上级保证，确认分析推理的方法仍然可以提供优先级任务调度的性能提高。
2021-09-02 cs.DC cs.DS
On Solving Floating Point SSSP Using an Integer Priority Queue
我们解决单源最短路径规划问题（SSSP）的情况下，浮点边的权重。我们展示了如何基于任何整数的Dijkstra解决方案，依赖于一个单调的整数优先级队列，以创建一个完整的顺序在路径长度，以解决整数SSSP可以被用作一个预言解决浮点SSSP与积极的边缘权重（浮点P-SSSP）。浮点P-SSSP是机器人社区特别感兴趣的。这立即为浮点P-SSSP产生了一些更快的运行时间;例如，${O({m + n\log \log \frac{C}δ})}$，其中$C$是图中最大的权重，而$δ$是图中最小的边权重。它还确保了整数SSSP的许多未来进步将转移到浮点P-SSSP。
2016-06-02 cs.DS
Engineering MultiQueues: Fast Relaxed Concurrent Priority Queues
针对并行环境中经典优先队列的吞吐量瓶颈问题，提出基于多内部顺序队列的MultiQueue松弛并发优先队列方法，通过缓冲、批量操作和缓存优化提升可扩展性，实验表明其在多基准测试中优于竞品，且可灵活平衡吞吐量与质量。
2025-04-15 cs.DC cs.DS cs.PF
An Empirical Study of Cache-Oblivious Priority Queues and their Application to the Shortest Path Problem
近年来，外部存储器计算的Cache-Oblivious模型为海量数据集上的算法分析提供了一个有吸引力的理论基础。在发现渐近最优或接近最优的算法方面已经取得了很大的进展。然而，迄今为止，成功的实验研究仍然相对较少。在本文中，我们比较了两种不同的基于漏斗和桶堆的Cache-Oblivious优先级队列，并将它们应用于具有正边权重的图上的单源最短路径问题。我们的研究结果表明，当RAM是有限的，数据交换到外部存储，缓存不经意的优先级队列实现了数量级的加速比标准的内部存储器技术。然而，对于模拟和真实世界的图形数据上的单源最短路径问题，由于访问图形邻接列表本身所需的时间，这些加速比明显较低。
2008-02-07 cs.DS cs.SE
The Logarithmic Funnel Heap: An Efficient Priority Queue For Extremely Large Sets
提出 Logarithmic Funnel Heap 索引优先队列，支持完整优先级操作，insert/delete/decrease 期望 O(log* n)，空堆构造与空间均为 O(n)，适用于超大规模图分析与化学模拟。
2023-12-06 cs.DM cs.DS
The Power of Choice in Priority Scheduling
考虑以下随机过程：我们给出$n$队列，递增标签的元素随机均匀插入其中。为了删除一个元素，我们随机挑选两个队列，并删除其中标签较低（优先级较高）的元素。移除的成本是被移除的标签在任何队列中仍然存在的标签中的排名，也就是说，每一步与最优选择的距离。这种策略的变体在最先进的并发优先级队列实现中很流行。然而，不知道这样的实现是否提供任何等级保证，即使在顺序模型中也是如此。我们回答这个问题，表明这种策略提供了令人惊讶的强有力的保证：虽然单一的选择过程中，我们总是插入和删除一个随机选择的队列，有降低成本，去无穷大，因为我们增加的步骤数，在两个选择过程中，预期的排名被删除的元素是PDMATHAMN，而预期的最坏情况下的成本是$O( n \log n )$。这些边界是紧的，并且与我们运行过程的步骤数量无关。这个论点是基于一个新的技术连接之间的“重载”球到箱子的过程和优先级调度。我们的分析结果启发了一个新的并发优先级队列的实现，提高了最先进的实际性能。
2017-06-13 cs.DC cs.DS
Oblivious Sorting and Queues
本文提出了确定性的不经意LIFO（Stack）、FIFO、双端和双端优先级队列以及不经意归并排序和快速排序算法。我们的技术和思想包括端到端连接队列，多个数组的大小平衡，一个数组的多个多级分区。我们的队列是第一个在不改变数据结构（由参数控制）的情况下实现pop和push操作的队列。这使得有趣的应用程序在计算加密数据，如隐藏机密表达式。合并排序成为实际使用我们的后进先出队列，即。在所有实际相关队列大小的比较方面，它将先前的工作（STOC '14）改进了（超过）1000倍。我们是第一个提出双端（优先级）和后进先出队列以及遗忘快速排序，这是渐近最优的。除了理论分析，我们还提供了所有队列的经验评估。
2016-12-10 cs.DS
A Back-to-Basics Empirical Study of Priority Queues
理论界最近提出了几种新的堆变体，但这些变体在很大程度上尚未经过实验测试。我们把这个领域带回到绘图板上，只使用标准的、众所周知的优化来直接实现经典和新颖的结构。我们研究了每个结构在各种输入上的行为，包括人工工作负载，在真实地图数据上运行算法产生的工作负载，以及最近系统网络研究中使用的离散事件模拟器的工作负载。我们提供的意见，哪些特点是最相关的性能。例如，我们发现L1缓存未命中率似乎与挂钟时间密切相关。我们还提供了有关输入序列如何影响不同堆变体的相对性能的观察结果。例如，我们表明（理论上和实践中），某些随机插入-缺失序列是简并的，可能导致误导性的结果。总的来说，我们的研究结果表明，虽然传统智慧在某些情况下成立，但在其他情况下却大错特错。
2014-03-02 cs.DS
Cache-Oblivious Priority Queues with Decrease-Key and Applications to Graph Algorithms
我们提出了优先级队列中的缓存无关外部存储器模型与块大小$B$和主存储器大小$M$，支持$N$元素，操作\textsc{UPDATE}（\textsc{INSERT}和\textsc{DECREASEKEY}的组合）在$O \left(\frac{1}{B}\log_{\fracλ{B}} \frac{N}{B}\right)$分期I/O和操作\textsc{EXTRACT-MIN}和\textsc{DELETE}在$O \left(\lceil \frac{λ^{\varepsilon}}{B} \log_{\fracλ{B}} \frac{N}{B} \rceil \log_{\fracλ{B}} \frac{N}{B}\right)$分期I/O，使用$O \left(\frac{N}{B}\log_{\fracλ{B}} \frac{N}{B}\right)$块，为用户定义的参数$λ\in [2, N ]$和任何真正的$\varepsilon \in (0,1)$。我们的结果改进了以前的I/O高效缓存无关和缓存感知优先级队列[Chowdhury和Ramachandran，TALG 2018]，[Brodal等人，SWAT 2004]，[Kumar和Schwabe，SPDP 1996]，[Arge等人，SICOMP 2007]，[Fadel等人，TCS 1999]。我们还提出了缓…
2020-08-04 cs.DS
Optimal Offline ORAM with Perfect Security via Simple Oblivious Priority Queues
该研究提出一种具有完美安全性的简单不经意优先级队列构造，首次实现了最优的离线ORAM，还给出了缓存感知与缓存无关场景下的高效外存实例及对应I/O复杂度。
2024-12-13 cs.CR cs.DS
Selectable Heaps and Optimal Lazy Search Trees
我们证明了有效优先队列的$O(\log n)$时间提取最小函数可以推广到$O(k \log(n/k))$时间内$k$最小元素的提取（我们定义$\log(x)$为$\max(\log_2(x), 1)$ .），我们证明最优的比较为基础的优先级队列与$o(\log n)$时间插入。我们展示了堆排序树选择（Kaplan等人，SOSA '19）可以分别在$O(k \log(n/k))$摊销时间和最坏情况时间下应用于经典Fibonacci堆和Brodal队列的堆序树。我们还显示了删除$k$元素或选择而不提取可以在两个堆上执行，也是在$O(k \log(n/k))$时间。令人惊讶的是，所有的操作都是可能的，而不需要修改原始的Fibonacci堆和Brodal队列数据结构。然后，我们将结果应用于惰性搜索树（Sandlund & Wild，FOCS '20），创建一个基于可选堆的新间隔数据结构。这给出了最佳的$O(B+n)$时间惰性搜索树性能，将插入间隙$Δ_i$的复杂度从$O(\log(n/|Δ_i|) + \log \log n)$时间降低到$O(\log(n/|Δ_i|))$时间。当用作优先级队列以及其它情况时，也可以进行$O(1)$时间合并操作。如果使用Brodal队列，则可以使惰性搜索树的所有运行时都是最坏情况。
2022-01-10 cs.DS
A parallel priority queue with fast updates for GPU architectures
提出一种面向GPU的并行桶堆数据结构，支持快速批量更新，用于高效解决大直径图的单源最短路径问题，在NVIDIA GPU上比现有最先进实现快达5.4倍。
2023-05-12 cs.DC cs.DS
A Grouped Sorting Queue Supporting Dynamic Updates for Timer Management in High-Speed Network Interface Cards
School of Microelectronics, Xidian University（西安电子科技大学微电子学院）；State Key Laboratory of Integrated Service Networks, Xidian University（西安电子科技大学综合业务网理论及关键技术国家重点实验室）
本文提出两种新型优先队列操作——更新和分组排序，用于实现硬件定时管理。通过一维脉冲阵列和移位寄存器的混合架构，设计了一种支持更新操作的硬件优先队列，提高了定时精度和效率。
2026-01-14 cs.DS cs.NI
Tight Analysis of Priority Queuing Policy for Egress Traffic
近年来，交换机和路由器的性能评估问题已被转化为在线问题，并取得了大量的成果。在本文中，我们专注于管理传出数据包（称为{ \em出口流量}）的交换机，支持服务质量（QoS），并分析了性能的最基本的调度策略之一{ \em优先级优先级}（$PQ$）使用竞争分析。我们制定的问题，管理出口队列如下：输出接口配备了$m$队列，其中每个队列有一个缓冲区的大小$B$。数据包的大小为单位，每个缓冲区可以同时存储多达个$B$数据包。每个分组与$m$优先级值$α_{j}$（$1 \leq j \leq m$）中的一个相关联，其中$α_{1} \leq α_{2} \leq \cdots \leq α_{m}$、$α_{1} = 1$和$α_{m} = α$，并且在线算法的任务是在每个调度步骤中选择$m$队列中的一个。这个问题的目的是最大化调度数据包的值之和。对于任何$B$和任何$m$，我们证明了$PQ$的竞争比正好是$2 - \min_{x \in [1, m-1] } \{ \frac{ α_{x+1} }{ \sum_{j = 1}^{x+1} α_{j} } \}$ .也就是说，我们使用最差情况分析对$PQ$的性能进行了全面分析。此外，我们表明，没有确定性的在线算法可以有一个竞争比小于$1 + \frac{ α^3 + α^2 + α}{ α^4 + 4 α^3 + 3 α^2 + 4 α+ 1 …
2014-08-30 cs.DS
A Simple yet Exact Analysis of the MultiQueue
本文通过识别底层马尔可夫链稳定分布，精确分析 MultiQueue 的长期秩误差，得到期望为 5/6n−1+1/(6n)，并推广至 c 个随机队列取最优的删除方案。
2025-02-19 cs.DS
I/O-Efficient Planar Range Skyline and Attrition Priority Queues
在平面范围天际线报告问题中，我们将n个2D点的集合P存储在一个结构中，使得给定查询矩形Q = [a_1，a_2] x [b_1，b_2]，skyline）的数据。如果Q的边接地，则查询是3边的，从而产生两个变体：顶开（b_2 = \infty）和左开（a_1 = - \infty）查询。我们所有的结果都在外部存储器中，在O（n/B）空间预算下，对于静态和动态设置：* 对于静态P，我们给出了在O中回答top-open查询的结构（log_B n + k/B），O（loglog_B U + k/B），当宇宙为R^2，一个U × U网格，一个秩空间网格[O（n）]^2时，I/O为O（1 + k/B），（其中k是报告点的数量）。查询复杂度在所有情况下都是最优的。* 我们证明了左开的情况更难，使得任何线性大小的结构必须为查询招致Ω（（n/B）^e + k/B）I/O。我们证明了这种情况与一般的4边查询一样困难，为此我们给出了一个静态结构，其最优查询成本为O（（n/B）^e + k/B）。* 我们给出了一个动态结构，支持在O（log_2B^e（n/B）+ k/B^1-e）的I/O的顶开查询，和O（log_2B^e（n/B））的I/O的更新，任何e满足0 \le e \le 1。这导致了4边查询的动态结构，其最优查询成本为O（（n/B）^e + k/B），摊销更新成本为O（log（n/B））。作为…
2013-06-12 cs.DS
Games from Basic Data Structures
在本文中，我们考虑组合游戏规则集的基础上，数据结构通常涵盖在本科计算机科学数据结构课程：数组，堆栈，队列，优先级队列，集，链表和二叉树。我们描述了许多规则集以及它们的计算和数学属性。其中两个规则集，Tower Nim和Myopic Col，是新的。我们显示多项式时间的解决方案，塔尼姆和近视上校的路径。
2016-05-20 cs.DS
Lower Bounds for Oblivious Data Structures
不经意的数据结构是其中存储器访问模式不揭示关于在其上执行的操作的信息的数据结构。这样的数据结构由Wang等人[ACM SIGSAC'14]引入，并且旨在用于希望将数据结构存储在不可信服务器处的情况。获得不经意数据结构的一种方法是简单地在不经意RAM（ORAM）上运行经典数据结构。直到最近，这导致了$ω(\lg n)$的开销，以实现最自然的参数设置。此外，Larsen和Nielsen最近的一个关于ORAMs的下限[NIPPTO '18]表明，如果以黑盒方式使用，它们总是招致至少$Ω(\lg n)$的开销。为了避免$ω(\lg n)$开销，研究人员转而更直接地研究经典的数据结构问题，并获得了许多此类问题的有效解决方案，如堆栈，队列，双端队列，优先级队列和搜索树。然而，这些数据结构中没有一个处理操作比$Θ(\lg n)$更快，留下了是否存在更快的解决方案的问题。在本文中，我们排除了这种可能性，证明$Ω(\lg n)$下界不经意堆栈，队列，双端队列，优先级队列和搜索树。
2018-10-24 cs.CR cs.DS
SimdQuickHeap: The QuickHeap Reconsidered
Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）
本文提出SimdQuickHeap，通过改进数据布局实现高效的SIMD操作，提升优先队列性能，实验显示其在合成和图基准测试中均表现优异。
2026-08-28 cs.DS
Efficient Algorithms and Data Structures for Massive Data Sets
对于许多算法的问题，传统的算法，优化的数量上执行的指令证明昂贵的I/O。新颖的和非常不同的设计技术，当应用到这些问题，可以产生算法的I/O效率。这篇论文加入了越来越多的合唱这样的结果。我们使用的计算模型是外部存储器模型和W流模型。在外部记忆模型下，我们得到了如下结果。(1)一种计算图的最小生成树的I/O高效算法，该算法改进了最佳已知算法的性能。(2)软堆的第一个外部存储器版本，一个近似可融合的优先级队列。(3)硬堆，第一个可合并的外部内存优先级队列，它与已知外部内存优先级队列的摊销I/O性能相匹配，同时允许以相同的摊销成本进行合并操作。(4)I/O高效的精确，近似和随机算法的最小割问题，这还没有探索之前的外部存储器模型。(5)区间图的I/O的一些下限和上限。在W-Stream模型上，我们得到了如下结果。(1)用于各种树问题和列表排序的算法，其性能与最知名的算法相匹配，并且比它们更容易实现。(2)通过有效的排序算法，以及最大独立集问题，改进了最知名的算法。(3)给出了求顶点着色、近似单源最短路、最大匹配和近似加权顶点覆盖等图问题的有效算法。(4)列表排序和最大匹配的传递的下界。我们提出了两个变种的W-流模型，并设计算法的最大独立集，顶点着色，平面图单源最短路径问题的模型。
2010-05-19 cs.DS
