基础算法分析

一、引言

为什么要学习《数据结构与算法分析》，因为不同算法的代码运行的时间不同，更好的算法在处理大量数据时会节省很多时间！提起算法，自然与高等数学无法离开关系，那么今天就来讨论讨论算法与数学的关系！

二、算法中的相对增长率

在算法中定义，

1.如果T（N）的增长率小于等于f（N），

        记为T（N）=  O f（N）；

        ps：如果使用o来记，则不包括等于的这种情况；

2.如果T（N）的增长率大于等于g（N），

        记为T（N）=  Ω f（N）；

3.同理，如果增长率相等，则用符号θ来记；

4.举个例子，我们可以说N的平方=O（N的立方），

                                          N的立方=Ω（N的平方）。

三、法则

我们可以通过计算n趋于无穷时的f（N）/g（N）来判断相对增长率的大小：

1.极限为0: f（N）=  O g（N）并尽量用o表示；

2.极限为c不等于0:f（N）=  θ （N）；

3.极限为无穷：g（N）=  O f（N）并尽量用o表示；

4.极限摆动：暂不考虑。

四、与数学的关系

我们知道在数学中有无穷级数（常数项级数）这个概念，如果级数收敛，那么通项趋于无穷时必为0！

我们知道代码运行的时间一定是正项级数，所以

符合如下规则：

比较趋于无穷时的通项，就是比较谁更趋于0！

所以：

比值为c时，二者同阶，意味着代码运行时间同阶；

比值为0时，分子更趋于0，则分子是分母的高阶无穷小，所以分子代码的运行时间将小于分母代码的运行时间；

比值为无穷时，分母更趋于0，则分子是分母的低阶无穷小；所以分子代码的运行时间将大于分母代码的运行时间；

所以算法与数学中的两种比值是不是就有所联系了呢？

ps：这个比值在数学中也可用来判断敛散性。