算法复杂性渐近意义下的记号——（O、Ω、θ、o、ω）

一、算法的复杂性分析

算法复杂性是算法运行所需的计算机资源量

1.需要的时间资源的量称为时间复杂性，

2.需要的空间资源的量称为空间复杂性，

（代表问题的规模，代表输入（实例））

1.时间复杂性是输入为时的跟规模相关的算法运行时间增长率

2.空间复杂性是输入为时的跟规模相关的算法运行空间增长率

---

二、渐近意义下的记号含义：O、Ω、θ、o、ω

      1.渐近上界记号 O（O，/əʊ/，大Oh）：定义了算法的上界，O只定义上界，只要f(n)不大于上界g(n)，就可以说 f(n)=O(g(n))。

      2.非紧渐近上界 o（o，/əʊ/，小oh）：定义的也是算法的上界，不过它不包含等于，是一种不精确的上界，或者称作松上界（某些书籍翻译为非紧上界），o表示仅仅是大O去掉等于的情况，其他行为与大O一模一样。

      3.渐近下界记号 Ω（Ω，/oʊˈmeɡə/，大Omega）：定义了算法的下界，Ω只定义下界，只要f(n)不小于下界g(n)，就可以说 f(n)=Ω(g(n))。

      4.非紧渐近下界 ω（ω，/oʊˈmeɡə/，小omega）：定义的也是算法的下界，不过它不包含等于，是一种不精确的下界，或者称作松下界（某些书籍翻译为非紧下界）。ω表示仅仅是大Ω去掉等于的情况，其他行为与大Ω一模一样。

      5.渐近紧确记号 Θ（Θ，/ˈθiːtə/，theta）：定义了一种精确的渐近行为，Θ同时定义了上界和下界，f(n)位于上界和下界之间，且包含等号。

---

三、渐近意义下的记号作用：O、Ω、θ、o、ω

1.渐近上界记号 O

      假设：是定义在正数集上的正函数；为算法的时间复杂性；为算法最坏的时间复杂性；为算法最好的时间复杂性；是数据规模。

若：

含义：算法在任何实例情况下，其时间复杂性的阶不超过上界的阶，它的时间复杂性的阶要小于等于上界的阶。

即：，c为常数

例如：；；

故：

2.非紧渐近上界 o

      假设：是定义在正数集上的正函数；为算法的时间复杂性；为算法最坏的时间复杂性；为算法最好的时间复杂性；是数据规模。

若：

含义：算法在任何实例情况下，其时间复杂性的阶小于上界的阶，它的时间复杂性的阶要小于上界的阶。

即：

例如：；；

故：

3.渐近下界记号 Ω

      假设：是定义在正数集上的正函数；为算法的时间复杂性；为算法最坏的时间复杂性；为算法最好的时间复杂性；是数据规模。

若：

含义：算法在任何实例情况下，其时间复杂性的阶不低于下界的阶，它的时间复杂性的阶要大于等于下界的阶。

即：，c为常数

例如：；；

故：

4.非紧渐近下界 ω

      假设：是定义在正数集上的正函数；为算法的时间复杂性；为算法最坏的时间复杂性；为算法最好的时间复杂性；是数据规模。

若：

含义：算法在任何实例情况下，其时间复杂性的阶大于下界的阶，它的时间复杂性的阶要大于下界的阶。

即：

例如：；；

故：

5.渐近紧确记号 Θ

      假设：是定义在正数集上的正函数；为算法的时间复杂性；为算法最坏的时间复杂性；为算法最好的时间复杂性；是数据规模。

含义：算法在任何实例情况下，其时间复杂性的上界和下界的阶相等，都是。

例如：有一个算法A：最坏情况：

                    最好情况： 

存在，有和

则：

故：