flyfish 2015-7-21
函数的渐近增长:给定两个函数f(n)和g(n),如果存在一个整数N,使得对于所有的n > N,f(n)总是比g(n)大,那么,我们说f(n)的增长渐近快于g(n)。
算法时间复杂度定义
在进行算法分析时,语句总的执行次数T(n)是关于问题规模n的函数,进而分析T(n)随n的变化情况并确定T(n)的数量级。算法的时间复杂度,也就是算法的时间量度,记作:T(n)=O(f(n))。它表示随问题规模n的增大,算法执行时间的增长率和f(n)的增长率相同,称作算法的渐近时间复杂度,简称为时间复杂度。其中f(n)是问题规模n的某个函数。 这样用大写O( )来体现算法时间复杂度的记法,我们称之为大O记法。 一般情况下,随着n的增大,T(n)增长最慢的算法为最优算法。
推导大O阶:
1.用常数1取代运行时间中的所有加法常数。
2.在修改后的运行次数函数中,只保留最高阶项。
3.如果最高阶项存在且不是1,则去除与这个项相乘的常数。得到的结果就是大O阶。
常用的时间复杂度所耗费的时间从小到大依次是
O(1) < O(
logn
) < O(
n
) < O(
以上引用自《大话数据结构》
渐近分析
考虑算法在输入规模趋向无穷时的效率分析就是渐近分析。
渐近分析就是:忽略具体机器、编程或编译器的影响,只观察在输入尺寸n取趋向无穷时算法效率的表现.
O、Ω、Θ表示
O 想象成
⩽
函数的渐近上界
Ω 想象成
⩾
函数的渐近下界
Θ 想象成
=
函数的准确界
以上引用自《算法之道》
Θ(g(n))={
O(g(n))={ f(n) : 存在正常数c和 n0 ,使对所有 n⩾ n0 ,有 0⩽f(n)⩽cg(n) }
Ω(g(n))={ f(n) : 存在正常数c和 n0 ,使对所有n ⩾ n0 ,有 0⩽cg(n)⩽f(n) }
o(g(n))={ f(n) : 对任意正常数c,存在常数 n0>0 ,使对所有的 n⩾n0 ,有 0⩽f(n)⩽cg(n) }
ω(g(n))={ f(n) : 对任意正常数c,存在常数 n0>0 ,使对所有的 n⩾n0 ,有 0⩽cg(n)<f(n) }
以上引用自《算法导论》
Ω : omega 美[o’mɛɡə]希腊字母表的最后一个字
Θ: theta 美[‘θitə] 希蜡字母的第八字