计算可解性
许多问题的一个共性：离散特性。它们都与大量组合可能性上的隐含搜索相关，目标将是高效率地找到一个解，而这个解满足某些被清晰描述的条件
对其中的大多数问题，都存在一个明显的蛮力搜索，即尝试所有的可能性看其中是否有合格的
效率定义1 当实现一个算法时，如果他在真实的输入实例上运行得快，那么这个算法是有效的
效率定义2 在分析的层次上，如果一个算法与蛮力搜索比较，最坏情况下达到质量上更好的性能，就说它是有效的
效率定义3 如果一个算法有多项式运行时间， 它就是有效的
增长的渐近阶
一步： 当考察计算抽象的不同层次， 一步的概念可以增大或缩小一个常数因子
T(n): 函数-在规模为n的输入上最坏的运行时间
f(n): 函数
对充分大的n, 函数T(n)不超过f(n)的常数倍，就说T(n)是O(f(n))的，读作T(n)是f(n)阶的, f是T的渐近上界
T
(
n
)
=
O
(
f
(
n
)
)
⇔
∀
n
≥
n
0
,
T
(
n
)
≤
c
∗
f
(
n
)
T(n) = O(f(n)) \Leftrightarrow \forall n\geq n_0 \;, T(n) \leq c* f(n)
T(n)=O(f(n))⇔∀n≥n0,T(n)≤c∗f(n)
对充分大的n, 函数T(n)至少是某个特定函数f(n)的常数倍，f是T(n)的渐近下界
T
(
n
)
=
Ω
(
f
(
n
)
)
⇔
∀
n
≥
n
0
,
T
(
n
)
≥
ε
∗
f
(
n
)
T(n) = \Omega(f(n)) \Leftrightarrow \forall n\geq n_0 \;, T(n) \geq \varepsilon * f(n)
T(n)=Ω(f(n))⇔∀n≥n0,T(n)≥ε∗f(n)
一个函数可能有许多个上界
T
(
n
)
=
O
(
n
2
)
=
O
(
n
3
)
T(n) = O(n^2) = O(n^3)
T(n)=O(n2)=O(n3)
f(n)即是T(n)的渐近上界， 又是T(n)的渐近下界， 则f是T(n)的渐近的紧的界
T
(
n
)
=
Ω
(
f
(
n
)
)
∧
T
(
n
)
=
O
(
f
(
n
)
)
⇔
T
(
n
)
=
Θ
(
f
(
n
)
)
lim
x
→
0
f
(
n
)
g
(
n
)
=
c
>
0
⇔
T
(
n
)
=
Θ
(
f
(
n
)
)
T(n) = \Omega(f(n)) \; \wedge \; T(n) = O(f(n)) \Leftrightarrow \; T(n) = \Theta (f(n))\\\lim\limits_{x\to0}\frac{f(n)}{g(n)} = c > 0 \Leftrightarrow T(n) = \Theta (f(n))
T(n)=Ω(f(n))∧T(n)=O(f(n))⇔T(n)=Θ(f(n))x→0limg(n)f(n)=c>0⇔T(n)=Θ(f(n))
\\ \\ \\
渐近增长率的性质
传递性 如果f=O(g) 且 g=O(h) , 那么f=O(h) （渐近下界，渐近的紧的界同理)
函数的和 如果f=O(h) 且 g=O(h) 那么 f+g = O(h) (可推广至多个函数相加)
假设f 和g 是两个函数(取非负的值) , 满足g = O(f) , 那么f+g= (f) 换句话说f是一个关于f+g的渐近的紧的界、
多项式的渐近界 令f是一个d阶多项式， d次方的系数a是正数， 那么
f
=
O
(
n
d
)
f = O(n^d)
f=O(nd)
底数函数的渐近界 当a>1， 对任意x>0， 有
l
o
g
a
n
=
O
(
n
2
)
log_a n = O(n^2)
logan=O(n2)
指数函数的渐近界 当d>0, 对任意r>1, 有
n
d
=
O
(
r
n
)
n^d = O(r^n)
nd=O(rn)
447
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
