算法概论笔记 - 大O符号

引入

Fibonacci

指数Version

function fib(n)
if n=0: return 0
if n=1: return 1
return fib(n-1) + fib(n-2)

包含大量重复计算步骤，基本操作次数为n的指数

线性Version

function fib(n)
if n=0: return 0
create an array f[0...n]
f[0]=0, f[1]=1
for i=2...n:
    f[i]=f[i-1]+f[i-2]
return f[n]

对中间计算结果进行存储，基本操作次数为关于n的线性

对数Version

^1
到
^n
在二叉树上需要logn次上升操作

这里用到分治思想，与快速求指数类似。

function power(a, n)
    if(n=0) return 1
    x = power(a, n/2's floor)
    if(n is even)
        then return(x^2)
    else
        return (a*n^2)

通项公式

1. 构造
   的等比数列，即 - rF(n-1) = s(F(n-1) - rF(n-2)))
   可得到 - rF(n-1) = s^{n-1}(F(1) - rF(0)))
2. 则 = s^{n-1} + rF(n-1) = s^{n-1} + rs^{n-2} + rF(n-2) = s^{n-1} + rs^{n-2} + r^2*s{n-3} + ... + r^{n-2}s + r^{n-1}s^0)，即为首项为
   ，比值为
   的等比数列，因此
    = s^{n-1}* \frac {(r/s)^n-1} {r/s - 1})
3. 又因，因此，s/r为。因此，约简后， = \frac {\sqrt 5} 5 [(\frac {1+\sqrt 5} 2)^n - \frac {1-\sqrt 5} 2)^n])

大O表示法

在机器无关性下分析算法

大O表示法

各函数规模增长情况

一些经验规则：

1. 常系数可以忽略

2. 当a>b时，
   支配

3. 任何指数项支配任何多项式项，如
   支配

4. 任何多项式项支配对数项，如n支配

对数的性质（换底公式）：
随着规模n的增大，对数的底对于算法复杂度并无实际贡献，如 = 19.9316, log_3(1, 000, 000) = 12.5754...)
因此，在大O符号下，基数可以忽略，因此可以简单记为O(logn)

一些公式

(2N+1)} 6 = \frac {N^3} 3)
when k!= 1,

递归

基本法则

1. 基准情形：必须总要有某些基准的情形，它们不用递归就能求解
2. 不断推进：对于那些要递归求解的情形，递归调用必须总能够朝着一个基准情形推进

在求解一个问题的同一实例时，切勿在不同的递归调用中做重复性的工作