标签：分析 gt 函数 sum ak 算法 数学 n0 插入排序

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:

1. 算法执行时间随问题规模增长而增长的阶（增长率).
2. 执行时间函数的主导项

如: $T(n)=an^2 +bn+c$T(n)=an2+bn+c

主导项: $an^2$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
$\exist c1 , c 2 >0, n_0 , \forall n>n_0 , c_1 g(n) \le f(n) \le c_2 g(n)$∃c1,c2>0,n0​,∀n>n0​,c1​g(n)≤f(n)≤c2​g(n)，则称f(n)与g(n)同阶，记作f(n)= $\theta$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(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$\exist c>0, n_0 , \forall n>n_0 , f(n) \ge cg(n)$∃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)= $\Omega$Ω (g(n)) 。

证明高阶: 找到 n ,c 满足定义

$\Omega$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\Omega $(n) – 插入排序算法的运行时间在$(n)–插入排序算法的运行时间在\Omega $(n)和 O(n 2 )之间 – 插入排序算法的最坏运行时间是$(n)和O(n2)之间–插入排序算法的最坏运行时间是\Omega $(n 2 ) – 但说插入排序算法的运行时间是$(n2)–但说插入排序算法的运行时间是\Omega $(n 2 )，是错误的！

定义(严格低阶). 设f(n)和g(n)是正值函数。如果
$\forall c&gt;0, \exist n_0 , \forall n&gt;n 0 , f(n)&lt;cg(n)$∀c>0,∃n0​,∀n>n0,f(n)<cg(n)，则称f(n)严格比g(n)低阶或g(n)是f(n)的严格上界，记作f(n)=o(g(n)) 。

定义(严格高阶). 设f(n)和g(n)是正值函数。如果$\forall c>0, \exist n_0 , \forall n>n_0 , f(n)>cg(n) $，则称f(n)严格比g(n)高阶或g(n)是f(n)的严格下界，记作f(n)= $\omega$ω (g(n)) 。

$\theta $**(g(n))可以视为所有与g(n)同阶的函数集合 **

O(g(n))可以视为所有比g(n)低阶的函数的集合

$\Omega $ (g(n))可以视为所有比g(n)高阶的函数集合

o(g(n))可以视为所有比g(n)严格低阶的函数集合

$\omega $ (g(n))可以视为所有比g(n)严格高阶的函数集合

注意,并不是所有函数的阶都是可比的

函数阶的性质

自反性

对称性

传递性

反对称性

二. 和式的估计与界限

1.线性和

$\sum^n(ca_k+b_k) = c\sum^n a_k+\sum^nb_k$∑n​(cak​+bk​)=c∑n​ak​+∑n​bk​

$\sum_{k=1}^n \theta(f(k)) = \theta\sum^n_{k=1} f(k)$k=1∑n​θ(f(k))=θk=1∑n​f(k)

2.级数

$\sum_{i=1}^n i =\frac{n(n+1)}{2} = \theta(n^2)$i=1∑n​i=2n(n+1)​=θ(n2)

$\sum_{k=0}^n x^k = x^0+x^1+x^2+\dots+x^n =\frac{x^{n+1}-1}{x-1} \\ \sum_{k=0}^\infin x^k = \frac{1}{1-x} \ \ \ \ \ \ |x&lt;1|$k=0∑n​xk=x0+x1+x2+⋯+xn=x−1xn+1−1​k=0∑∞​xk=1−x1​      ∣x<1∣

$H_n = \sum_{k=1}^n\frac{1}{k} = \ln n+O(1)$Hn​=k=1∑n​k1​=lnn+O(1)

$\sum_{k=1}^n a_k - a_{k-1} = a_n -a_0$k=1∑n​ak​−ak−1​=an​−a0​

$\sum_{k=0}^{n-1} a_{k} - a_{k+1} = a_0 -a_n$k=0∑n−1​ak​−ak+1​=a0​−an​

$\sum_{k=1}^{n-1}\frac{1}{k(k+1)} = 1 - \frac{1}{n}$k=1∑n−1​k(k+1)1​=1−n1​

$\lg(\prod_{k=1}^{n}a_k) = \sum_{k=1}^n\lg a_k$lg(k=1∏n​ak​)=k=1∑n​lgak​

三. 递归方程

递归方程: 递归方程是使用具有小输入值的相同方程来描述一个方程.用自身来定义自身.

解递归方程的3种方法:

1. 替换方法:
   – 先猜测方程的解,
   – 然后用数学归纳法证明 .
2. 迭代方法:
   循环地展开递归方程，
   把递归方程转化为和式，
   然后可使用求和技术解之
3. Master方法:
   – 求解型为T(n)=aT(n/b)+f(n)的递归方程

Master方法

目的: 求解$T(n) = aT(n/b)+f(n)$T(n)=aT(n/b)+f(n)类型的方程, 要求a >=1 ,b >1 是常数, f(n)是正函数

比较$f(n) \ 和 g(n) = n^{\lg_ba} $的大小

1. 若f(n) > g(n),则$T(n) = \theta (f(n))$T(n)=θ(f(n)) , 且存在c (c<1),n’使得 af(n/b) <= cf(n)在n>n’时恒成立.

2. 若f(n) < g(n),则$T(n) = \theta (g(n))$T(n)=θ(g(n))

3. 若f(n),g(n)同阶,则$T(n) = \theta (f(n)\log n)$T(n)=θ(f(n)logn)

标签：分析,gt,函数,sum,ak,算法,数学,n0,插入排序
来源： https://blog.csdn.net/lee3258/article/details/94132289

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。