第2章 算法分析的数学基础
《Introduction to Algorithms》
第三章 第四章 附 录
一. 计算复杂性函数的阶
计算函数的阶:
- 算法执行时间随问题规模增长而增长的阶(增长率).
- 执行时间函数的主导项
如: T ( n ) = a n 2 + b n + c T(n)=an^2 +bn+c T(n)=an2+bn+c
主导项: a n 2 an^2 an2,当输入大小n较大时,其它低阶项相对来说意义不大,系数a也相对来说意义不大
即:函数T(n)的阶为n 2
定义(同阶): 设f(n)和g(n)是正值函数。如果
∃ c 1 , c 2 > 0 , n 0 , ∀ n > n 0 , c 1 g ( n ) ≤ f ( n ) ≤ c 2 g ( n ) \exist c1 , c 2 >0, n_0 , \forall n>n_0 , c_1 g(n) \le f(n) \le c_2 g(n) ∃c1,c2>0,n0,∀n>n0,c1g(n)≤f(n)≤c2g(n),则称f(n)与g(n)同阶,记作f(n)= θ \theta θ(g(n)) 。
证明同阶,找到n ,c1, c2使得他们满足定义
定义(低阶) 设f(n)和g(n)是正值函数。如果$ \exist c>0, n_0 , \forall n>n_0 , f(n)\le cg(n)$,则称f(n)比g(n)低阶或g( n )是 f ( n ) 的 上 界 , 记 作 f ( n ) = O ( g ( n ) ) 。
证明低阶: 找到n ,c满足定义
O ( g ( n ) ) 代表复杂度上界是g(n), f ( n ) = O ( g ( n ) )代表f(n)的复杂度小于g(n),读作复杂度不超过g(n)
如果 f ( n ) = O ( n k ) f(n)=O(n^k ) f(n)=O(nk), 则称f(n) 是多项式界限的
定义(高阶) 设f(n)和g(n)是正值函数。如果 ∃ c > 0 , n 0 , ∀ n > n 0 , f ( n ) ≥ c g ( n ) \exist c>0, n_0 , \forall n>n_0 , f(n) \ge cg(n) ∃c>0,n0,∀n>n0,f(n)≥cg(n),则称f(n)比g(n)高阶或g(n)
是f(n)的下界,记作f(n)= Ω \Omega Ω (g(n)) 。
证明高阶: 找到 n ,c 满足定义
Ω \Omega Ω (g(n))代表复杂度下界为g(n), 读作复杂度不低于g(n)
对于插入排序,我们可以说
– 最好运行时间是$\Omega ( n ) – 或 者 说 , 运 行 时 间 是 (n) – 或者说,运行时间是 (n)–或者<