时间复杂度理论中的记号

本文结合豆包AI生成。

时间复杂度理论中的核心渐近记号

时间复杂度的记号，本质是用来描述算法运行时间（或空间开销）随输入规模n增长的渐近行为（即n→∞时的增长趋势），核心是忽略常数因子和低阶项，主要关注的是增长量级的差异。

---

一、核心基础记号

这5个记号是渐近分析的基石，由高德纳（Donald Knuth）系统化规范，是所有算法复杂度分析的通用语言。

1. 大O记号（Big O，上界记号）

• 数学定义：f(n) = O(g(n))，当且仅当存在正常数C和n₀，使得对所有n ≥ n₀，满足 0 ≤ f(n) ≤ C·g(n)。
• 直观含义：f(n)的增长速度不超过g(n)，给算法开销一个上界，是日常描述算法最坏时间复杂度最常用的记号。
• 示例：3n² + 2n + 5 = O(n²)，n log n = O(n²)；我们通常取最紧的上界（比如不会把n²写成O(n³)）。

2. 大Ω记号（Big Omega，下界记号）

• 数学定义：f(n) = Ω(g(n))，当且仅当存在正常数C和n₀，使得对所有n ≥ n₀，满足 0 ≤ C·g(n) ≤ f(n)。
• 直观含义：f(n)的增长速度不低于g(n)，给算法开销一个下界，常用于描述算法的最好情况，或某类问题的理论复杂度下界（比如基于比较的排序问题，复杂度下界为Ω(n log n)）。
• 示例：3n² + 2n + 5 = Ω(n²)，也可写为Ω(n)，同样优先取最紧的下界。
• 补充：与大O是对偶关系。

3. 大Θ记号（Big Theta，紧界记号）

• 数学定义：f(n) = Θ(g(n))，当且仅当同时满足 f(n) = O(g(n)) 且 f(n) = Ω(g(n))。等价于存在正常数C₁、C₂、n₀，对所有n≥n₀，满足 0 ≤ C₁·g(n) ≤ f(n) ≤ C₂·g(n)。
• 直观含义：f(n)与g(n)是严格同阶增长，给出了算法开销的紧确界，上下界由同一个g(n)刻画。
• 示例：3n² + 2n + 5 = Θ(n²)，但n² ≠ Θ(n³)、n² ≠ Θ(n)。
• 补充：日常口语中说“算法复杂度是O(n²)”，多数场景实际指的是Θ(n²)，只是习惯用大O代指。

4. 小o记号（Little o，非紧上界记号）

• 数学定义：f(n) = o(g(n))，当且仅当对任意正常数ε>0，存在n₀，使得对所有n≥n₀，满足 0 ≤ f(n) < ε·g(n)。等价于极限定义：lim(n→∞) f(n)/g(n) = 0。
• 直观含义：f(n)的增长速度严格慢于g(n)，是非紧的上界。大O是“≤”（包含同阶的可能），小o是“<”（严格低阶，无同阶可能）。
• 示例：2n = o(n²)（极限为0），但n² ≠ o(n²)（极限为1≠0）；f(n)=O(f(n))永远成立，但f(n)=o(f(n))永远不成立。

5. 小ω记号（Little omega，非紧下界记号）

• 数学定义：f(n) = ω(g(n))，当且仅当对任意正常数C>0，存在n₀，使得对所有n≥n₀，满足 0 ≤ C·g(n) < f(n)。等价于极限定义：lim(n→∞) f(n)/g(n) = ∞。
• 直观含义：f(n)的增长速度严格快于g(n)，是非紧的下界。大Ω是“≥”（包含同阶的可能），小ω是“>”（严格高阶，无同阶可能）。
• 示例：n² = ω(n)（极限为∞），但n² ≠ ω(n²)（极限为1≠∞）。
• 补充：与小o是对偶关系。

---

二、进阶常用记号

1. 软O记号（Soft O，Õ，O tilde）

• 定义：Õ(g(n)) = O(g(n) · log^k n)，其中k为非负常数，即忽略对数因子的大O记号。
• 直观含义：把对数级别的因子视作“近似常数”，简化复杂度表达，避免冗长的对数项。
• 示例：n log n = Õ(n)，n log² n = Õ(n)，n² log n = Õ(n²)。
• 补充：对应有软Ω（Ω̃）、软Θ（Θ̃）记号，定义逻辑一致，均忽略对数因子。

2. 渐近等价记号（~，Tilde记号）

• 定义：f(n) ~ g(n)，当且仅当 lim(n→∞) f(n)/g(n) = 1。
• 直观含义：比大Θ更严格，不仅要求同阶，还要求主项的常数因子完全相等，用于算法的精细渐近分析。
• 示例：3n² + 2n + 5 ~ 3n²，而Θ(n²)不关心主项的常数因子。

3. 星号O记号（O*，参数化复杂度专用）

• 定义：O*(c^k) = O(c^k · poly(k))，其中poly(k)是关于参数k的多项式，即忽略多项式因子，仅关注指数核心项。
• 适用场景：参数化算法、NP难问题的精确算法分析，核心是区分指数级的参数增长和可忽略的多项式开销。
• 示例：子集和问题的动态规划算法复杂度可写为O*(2^k)，其中k为子集大小。

---

三、补充说明

1. 常用复杂度阶的增长速度排序：
   O(1) < O(log n) < O(n) < O(n log n) < O(n²) < O(n^k)（k≥3，多项式阶） < O(2^n)（指数阶） < O(n!)
2. 大O不专属“最坏情况”，Ω也不专属“最好情况”：记号本身只描述增长趋势，只是行业习惯用大O描述最坏复杂度，用Ω描述问题下界。