第3章 算法

3.2 函数的增长

参考B站视频

大O表示法定义：
$$当x>k时，|f(x)|<=C|g(x)|，C|g(x)｜就记做O(g(x))$$
这个其实很简单，分为2个部分取考虑：

1. f(x)是什么，即代码会执行多少次。

例1：

// $n=100;
for($i=1;$i<=$n;$i++){
  print "当前i的值是：".$i.PHP_EOL;
}

问，上面这个函数执行多少次？答：1+3*n。$i=1是1，$i<=$n，$i++，print print "当前i的值是：".$i.PHP_EOL;各会执行n次，所以总次数为1+3*n次，即f(x)=1+3*n。

然后考虑，当n趋紧于无限大的时候，+1和*3对n的值影响到不大，所以大O表示法就可以写成
$$\begin{gathered} f(x)=1+3x=O(x) \\ 或者用更加习惯的n来替代x \\ O(n) \end{gathered}$$
例2:

for($i=1;$i<=$n;$i++){
  for($j=1;$j<=$n;$j++){
    print "当前i和j的值为:({$i},{$j})".PHP_EOL;
  }
}

例2中，函数执行了多少次？n*(3*n+1)+2*n+1，计算后得到结果：
$$3n^2+3n+1$$
然后我们设想，n的平方的增加速度会比3n快很多，当n趋近于无限大的时候，上面的函数起主要作用的就是n的平方。
$$f(x)=3n^2+3n+1=O(n^2)$$
上面这两个例子可以总结成下面的这个定理：
$$\begin{gathered} f(x)=a_n{x}^n+a_{n-1}{x}^{n-1}+a_{n-2}{x}^{n-2}\cdots +a_1{x}^1+a_0{x}^0 \\ {a}_n\in Q， \\ f(x)=Q(x^n) \end{gathered}$$
证明过程：
$$\begin{gathered} x>=1时 \\ |f(x)|=|a_n{x}^n+a_{n-1}{x}^{n-1}+a_{n-2}{x}^{n-2}\cdots +a_1{x}^1+a_0{x}^0| \\ <=|a_n|x^n+|a_{n-1}|x^{n-1}+|a_{n-2}|x^{n-2}\cdots +|a_1|x^1+|a_0|x^0 \\ =x^n(a_n+a_{n-1}\times \frac{1}{x}+a_{n-2}\times \frac{1}{x^2}\cdots +a_1\times \frac{1}{x^{n-1}}+a_n\times \frac{1}{x^n}) \\ <=x^n(a_n+a_{n-1}+a_{n-2}\cdots a_1+a_0) \\ 即|f(x)|<=C|g(x)|，g(x)=x^n，即f(x)=O(x^n) \end{gathered}$$
至于这里为什么要x>1，是因为执行步骤肯定是存在的，如果没有执行步骤，那么讨论算法复杂度就没有意义了。

函数组合的增长

相加：
$$\begin{gathered} 如果，f_1=O(g_1(x)),f_2=O(g_2(x)), \\ 则(f_1+f_2)(x)=O(g(x))，g(x)=max(g_1(x),g_2(x)) \end{gathered}$$
相乘：
$$\begin{gathered} 如果，f_1=O(g_1(x)),f_2=O(g_2(x)), \\ 则(f_1{f}_2)(x)=O(g(x))，g(x)=(g_1(x)g_2(x)) \end{gathered}$$

函数执行的下限：大欧米伽表示法

$$当x>k时，|f(x)|>=C|g(x)|，C|g(x)｜就记做\Omega (g(x))$$

上面是考虑x趋于无限大，这里则不是，具体根据定义来推倒吧，或者可以说是算法的一般情况。

当函数的大O表示法和大欧米伽相同时：大西塔

$$f(x)=O(g(x))，f(x)=\Omega (g(x))，则f(x)=\Theta (g(x))$$