数据结构基础

递归的四条基本法则：

1. 基准情形：必须总有某些基本情形，无需递归就能解出

2. 不断推进：对于那些需要递归求解的情形，每一次递归调用都必须使求解状况向接近基准情形方向推进

3. 设计法则：假设所有的递归调用都能运行

4. 合成效益法则：在求解一个问题的一个实例时，不能在不同的递归调用中做重复的工作

1. 如果存在正的常数c和n0使得当N>=n0时，T(N)<=cf(N)，则记为T(N) = O(f(N))

2. 如果存在正的常数c和n0使得当N>=n0时，T(N)>=cg(N)，则记为T(N) = Ω(g(N))

3. 当且仅当T(N) = O(h(N))且T(N) = Ω(g(N))时，T(N) = θ(h(N))

4. 如果T(N) = O(p(N))且T(N) ≠ θ(p(N))，则T(N) = o(p(N))

其中，(1)是说T(N)的增长率小于等于f(N)的增长率；(2)说明T(N)的增长率大于等于g(N)的增长率；(3)说明T(N)的增长率等于h(N)的增长率；(4)说明T(N)的增长率小于p(N)的增长率，它不同于O因为没有等于

当我们说T(N) = O(f(N))时，我们保证函数T(N)是在不快于f(N)的速度增长，因此f(N)是T(N)的一个上界；同时，T(N) = Ω(g(N))意味着g(N)是T(N)的一个下界

1. 如果T1(N) = O(f(N))且T2(N) = O(g(N))，则

a. T1(N) + T2(N) = max( O(f(N)), O(g(N)) )

b. T1(N) * T2(N) = O( f(N)*g(N) )

2. 如果T(N)是一个k次多项式，则T(N) = θ(N^k)。将常数或低阶项放进O是非常坏的习惯

3. 对任意常数k，(log N)^k = O(N)。这说明对数增长的非常缓慢

除分治算法外，可将对数最常出现的规律概括为以下法则：如果一个算法用时间常数（O(1)）将问题的大小削减为其一部分（通常是1/2），那么该算法就是O(log N)。另一方面，如果使用常数时间只是把问题减少一个常数（如减少1），那么这种算法就是O(N)的