算法导论【复习】

算法导论【复习】

教材：算法导论第三版

本博客内容均为自行整理，以供学过算法的同学快速回忆之用。

本人第一篇博客，当然要献给算法啦！博客是在复习的时候整理的，有点类似于记忆碎片，比较简略，欢迎大家在评论区讨论、补充、纠正。

【算法复杂度】：

假设所需计算机资源的量只和问题规模、算法输入和算法本身的函数相关。

时间复杂度：

用基本操作步数衡量，独立于机器。
在不同情况下算法复杂度也是不同的，常见的情况有最好情况下，平均情况下，最坏情况下的时间复杂度。

首先，是时间复杂度的三个概念O(),$\theta$(),$\omega$()。

【算法导论】P26，三张图有助于理解

- $O$() 渐进上界

{f(n):存在正常量c,$n_0$，使得对所有n>=$n_0$，有0<=f(n)<=cg(n)}

- $\theta$() 渐进紧确界

{f(n):存在正常量$c_1$、$c_2$和$n_0$，使得对所有n>=$n_0$，有0<=$c_1$g(n)<=f(n)<=$c_2$g(n)}

- $\Omega$() 渐进下界

{f(n):存在正常量c,$n_0$，使得对所有n>=$n_0$，有0<=cg(n)<=f(n)}

另外：

1.$o$()代表非渐进紧确上界，$\omega$()代表非渐进紧确下界。o(g(n)) = {f(n): 对任意正常数c>0，使得对所有n>=$n_0$，有0<=f(n)<cg(n)}

2.$O()$和$\Omega$()如果非常紧的话都会趋向于$\theta$()。（有一种紧确界的证明方式就是这样的）

3.$O()$往往差了些也是对的，但是不准确，比如用O($n^{100}$)来描述快速排序的平均时间复杂度也是对的,但是不如O(nlogn)来得确切。所以比较紧的界才有意义，能求出$\theta$()最好啦。（另外，用$o(nlogn)$来描述快速排序的平均情况就不行，因为$o$()代表非渐进紧确上界，看那个定义中是没有等号的，要注意大O和小o的区别）。

根据递归式求$O$()和 $\Omega$()的三种方法：

• 代入法P48：猜测复杂度式子，假设出来（可能需要带低阶的参数），代入递归式并证明。
• 递归树法P50：把递归树画出来，然后累加（可能会用到级数相关知识）。那种分成两颗不均匀子树的情况常用这种方法求解。
• 主方法P53：可以用递归树法推导，推导过程中会用到 n l o g b a = a l o g b n