算法导论第3章章节提要和算法实现_算法导论第三章-CSDN博客

本文链接：https://blog.csdn.net/lanmingling/article/details/106604838

一、渐近记号

1. $\Theta$ 记号（渐近紧确界）

1.1 定义

对一个给定的函数，用 $\Theta(g(n))$ 来表示以下函数的集合：

$\Theta(g(n))=\left \{ f(n):$ 存在正常量和 , 使得对所有 $n\geqslant n_0$ ，有 $0\leqslant c_1g(n)\leqslant f(n)\leqslant c_2g(n)\left. \right \}$

称是的一个渐近紧确界(asymptotically tight bound)

1.2 说明

a. $\Theta(g(n))$ 的定义求每个成员 $f(n)\in \Theta(g(n))$ 均渐近非负，即当n足够大时， f(n) 非负。

b. 可以使用 $\Theta(1)$ 来意指一个常量或者关于某个变量的一个常量函数

2. 记号（渐近上界）

2.1 定义

对一个给定的函数 g(n) ，用 O(g(n)) 来表示以下函数的集合：

$O(g(n)) = \left \{ f(n):$ 存在正常量和 n_0 ，使得对所有 $n\geqslant n_0$ ，有 $0\leqslant f(n)\leqslant cg(n)\left. \right \}$

3. $\Omega$ 记号（渐近下界）

3.1 定义

对一个给定的函数 g(n) ，用 $\Omega(g(n))$ 来表示以下函数的集合：

$\Omega(g(n)) = \left \{ f(n):$ 存在正常量和 n_0 ，使得对所有 $n\geqslant n_0$ ，有 $0\leqslant cg(n) \leqslant f(n)\left. \right \}$

定理3.1 对任意两个函数和，我们有 $f(n)=\Theta(g(n))$ ，当且仅当且 $f(n)=\Omega(g(n))$

4. 记号（非渐近紧确上界）

4.1 定义

对一个给定的函数 g(n) ，用 O(g(n)) 来表示以下函数的集合：

$o(g(n)) = \left \{ f(n):$ 对任意正常量 c>0 ，存在常量 n_0>0 ，使得对所有 $n\geqslant n_0$ ，有 $0\leqslant f(n)< cg(n) \left. \right \}$

5. $\omega$ 记号（非渐近紧确下界）

3.1 定义

对一个给定的函数 g(n) ，用 $\omega(g(n))$ 来表示以下函数的集合：

$\omega(g(n)) = \left \{ f(n):$ 对任意正常量 c>0 ，存在常量 n_0>0 ，使得对所有 $n\geqslant n_0$ ，有 $0\leqslant cg(n) < f(n)\left. \right \}$

6. 渐近记号的性质

6.1 传递性

$f(n)=\Theta(g(n)) \and\, g(n)=\Theta(h(n)) \rightarrow f(n)=\Theta(h(n))$

$f(n)=O(g(n)) \and\, g(n)=O(h(n)) \rightarrow f(n)=O(h(n))$

$f(n)=\Omega(g(n)) \and\, g(n)=\Omega(h(n)) \rightarrow f(n)=\Omega(h(n))$

$f(n)=o(g(n)) \and\, g(n)=o(h(n)) \rightarrow f(n)=o(h(n))$

$f(n)=\omega(g(n)) \and\, g(n)=\omega(h(n)) \rightarrow f(n)=\omega(h(n))$

6.2 自反性

$f(n) =\Theta(f(n))$

$f(n) =\Omega(f(n))$

6.3 对称性

$f(n)=\Theta(g(n)) \Leftrightarrow g(n)=\Theta(f(n))$

6.4 转置对称性

$f(n)=O(g(n)) \Leftrightarrow g(n)=\Omega(f(n))$

$f(n)=o(g(n)) \Leftrightarrow g(n)=\omega(f(n))$

二、标准记号与常用函数

1. 单调性

单调递增 $m\leqslant n \rightarrow f(m)\leqslant f(n)$

单调递减 $m\leqslant n \rightarrow f(m) \geqslant f(n)$

严格递增 $m < n \rightarrow f(m) < f(n)$

严格递减 $m < n \rightarrow f(m) > f(n)$

2. 向下取整与向上取整

向下取整： $\left \lfloor x \right \rfloor$ ，单调递增

向上取整： $\left \lceil x \right \rceil$ ，单调递增

性质1： $x-1<\left \lfloor x \right \rfloor \leqslant x\leqslant \left \lceil x \right \rceil< x+1$

性质2: 对任意实数 $x\geqslant 0$ 和整数 a,b>0

$\left \lceil \left \lceil x/a \right \rceil /b\right \rceil = \left \lceil x/(ab) \right \rceil$

$\left \lfloor \left \lfloor x/a \right \rfloor /b\right \rfloor = \left \lfloor x/(ab) \right \rfloor$

$\left \lceil a/b \right \rceil \leqslant (a+b-1)/b$

$\left \lfloor a/b \right \rfloor\geqslant (a-b+1)/b$

3. 模运算

对任意整数 a 和任意正整数 n，a mod n的值就是商 a/n 的余数： $a \, mod \, n = a - n\left \lfloor a/n \right \rfloor$

4. 多项式

给定一个非负整数d，n的d次多项式为具有以下形式的一个函数p(n):

$p(n)=\sum_{i=0}^{d}a_in^i$

其中常量 a_0,a_1,...,a_n 是多项式的系数，且 $a_d\neq 0$ 。

5. 指数

对所有实数a>0,m和n，有以下恒等式

a^0 = 1

a^1 = a

$a^{-1} =1/a$

$(a^m)^n = a^{mn}$

(a^m)^n = (a^n)^m

$a^ma^n = a^{m+n}$

比较多项式与指数的增长率：对所有使得a>1 的实常量a和b，由于

$\lim_{n\rightarrow \infty }n^b/a^n=0$

因此， n^b=o(a^n) ,即任意底大于1的指数函数比任意多项式函数增长得快。

$e^x = \sum_{i=0}^{\infty}x^i/i!$

$\lim_{n\rightarrow \infty}(1+x/n)^n=e^x$

6. 对数

如果常量b>1, 那么对于n>0 ,函数 log_bn 单调递增。

对所有实数a>0, b>0, c>0 和 n，有

$a = b^{(log_ba)}$

$log_c{(ab)} = log_ca+log_cb$

log_ba^n = nlog_ba

log_ba = log_ca/log_cb

log_b(1/a) = -log_ba

log_ba = 1/log_ab

$a^{log_bc}=c^{log_ba}$

当 $\left | x \right | < 1$ 时，ln(1+x) 存在一种简单的级数展开：

ln(1+x) = x - x^2/2+x^3/3-x^4/4+x^5/5-...

有x>-1, 还有下面的不等式： $x/(1+x)\leqslant ln(1+x)\leqslant x$

(lgn)^b = o(n^a) 即任意正的多项式函数都比任意多对数函数增长得快

7. 阶乘

斯特林公式(Stirling) $n!=\sqrt{2\pi n}(n/e)^n(1+\Theta(1/n))$

基于斯特林公式可得的阶乘的界如下

n!=o(n^n)

$n!=\omega(2^n)$

$lg(n!)=\Theta(nlgn)$

对于所有的 $n\geqslant 1$ ， $n!=\sqrt{2\pi n}(n/e)^ne^{\alpha _n}$ ，其中 $1/(12n+1)<\alpha _n<1/12n$

8. 多重函数

$f^{(i)}(n)= \begin{cases} n & \text{ if } i=0 \\ f(f^{(i-1)}(n)) & \text{ if } i > 0 \end{cases}$

9. 多重对数函数

$lg^*n=min\left \{ i\geqslant 0:lg^{(i)}n\leqslant 1 \right \}$

多重对数函数是一个增长非常慢的函数，很少遇到一个使 lg^*n>5 的输入规模n。

10. 斐波那契数

$\begin{cases} F_0=0 \\ F_1=1 \\ F_i=F_{i-1}+F_{i-2} & \text{ if } i>2 \end{cases}$

斐波那契数与黄金分割率之间有一个结论为： $F_i = (\o ^i- \hat{\o }^i)/\sqrt{5}$

因为 $\left | \hat{\o } \right | <1$ ，所以有 $F_i = \left \lfloor \o ^i/\sqrt{5} +1/2 \right \rfloor$

因此斐波那契数以指数方式增长。

算法导论第3章 章节提要和算法实现

一、渐近记号

二、标准记号与常用函数

算法导论第3章章节提要和算法实现