【算法复杂度分析】渐进符号

我们评估一个算法的好坏一般是看这个算法的时间复杂度和空间复杂度。

那么我们从时间复杂度说起：

一个算法所耗费的时间=算法中每条语句的执行时间之和

每条语句的执行时间=语句的执行次数(即频度(Frequency Count))×语句执行一次所需时间

我们通常用渐进记号来表示时间复杂度和空间复杂度

那么渐进记号有哪些呢？

渐近精确界记号：Θ（big-theta）
渐近上界记号 ：O(big-oh)
渐近下界记号 ：Ω(big-omege)
非渐近紧确上界：o(小-oh)
非渐近紧确下界：ω(小-omege)

什么是渐进记号呢？

我们先来讲渐进上界记号,下面是他的定义：

定义：假设f(n)和g(n)的定义域是非负整数，存在两个正整数c和n0，使得n>n0的时候，f(n)≤c*g(n),则f(n)=O(g(n))。可见O(g(n))可以表示算法运行时间的上界。O(g(n))表示的函数集合的函数是阶数不超过g(n)的函数。

例如

f(n)=3n+2，当n>=2时，3n+2<4*n
所以f(n)=O(n)，这里c = 4，n0 = 2，g(n) = n, 那么c*g(n)也就是4n，就是f(n) 的上界

再例如

f(n)=2n^2+n+2，当n>=3时，f(n)<3*n^2
f(n)=O(n^2)，这里c = 3，n0 = 2，g(n) = n^2 ,那么c*g(n),也就是3n^2 就是f(n) 的上界

再再例如

f(n)=2*2^n+n^2，当n>=3时，f(n)<3*2^n，有f(n)

这里 c=3，n0=2，f(n)=O(2^n)。

再再再例如

f(n)=3，这里就直接记为O(1)，c=4，n0=0，f(n)<4*1

下面给出其他渐进符号的定义

Ω ：函数f(n) = Ω(g(n)): 当且仅当存在正常数c, n0, 使得n>=n0时, 有 f(n) >= c*g(n)

Θ ：函数f(n) = θ(g(n)): 当且仅当存在正常数c1, c2, n0, 使得当n>=n0时, 有c1*g(n) < f(n) <= c2*g(n)

我们通常使用大O表示法表示算法的空间与时间复杂度

空间复杂度

空间复杂度(Space Complexity)是对一个算法在运行过程中临时占用存储空间大小的量度，记做S(n)=O(f(n))

因为这里太小，我已经写不开时间复杂度和空间复杂度的计算方法，那就放在下一篇吧