众所周知,算法所需的时间应当是随着其输入规模增长的，而输入规模与特定具体问题有关。对大多数问题来说其最自然的度量就是输入中的元素个数。算法的运行时间是指在特定输入时所执行的基本操作数。我们可以得到关于一个关于输入规模n的所需时间的函数。然而可以进一步简化算法的时间分析，我们进行进一步抽象，首先，忽略每条语句的真实代价，通过运行时间的增长率来度量一个算法在时间方面的表现。我们只考虑公式的最高次项，并忽略它的常数系数。本博文主要介绍一些相关的数学知识即:函数的渐近的界的定义与性质.常用的证明方法.
渐近符号
当输入规模大到使运行时间只和增长的量级有关时，就是在研究算法的 渐近 效率。就是说，从极限角度看，我们只关心算法运行时间如何随着输入规模的无限增长而增长。表示算法的渐近运行时间的记号是用定义域为自然数集 N = {0， 1， 2， …} 的函数来定义的。这些记号便于用来表示最坏情况运行时间 T ( n )。
Θ 记号(读音:theta)
对一个给定的函数 g ( n )，用 Θ ( g ( n ))来表示函数集合：
对任何一个函数 f ( n )，若存在正常数 c1 ， c2 ，使当 n 充分大时， f ( n )能被夹在 c1 g ( n )和 c2 g ( n )之间，则 f ( n )属于集合 Θ ( g ( n ))。可以写成“ f ( n ) ∈ Θ ( g ( n ))”表示 f ( n )是 Θ ( g ( n ))的元素。不过，通常写成“ f ( n ) = Θ ( g ( n ))”来表示相同的意思。
上图给出了函数 f ( n )和 g ( n )的直观图示，其中 f ( n ) = Θ ( g ( n ))。对所有位于 n0 右边的 n 值， f ( n )的值落在 c1 g ( n )和 c2 g ( n )之间。换句话说，对所有的 n >= n0 ， f ( n )在一个常数因子范围内与 g ( n )相等。我们说 g ( n )是 f ( n )的一个 渐近确界 。Θ ( g ( n ))的定义要求每个成员 f ( n ) ∈ Θ ( g ( n ))都是 渐近非负 ，就是说当 n 足够大时 f ( n )是非负值。这就要求函数 g ( n )本身也是渐近非负的，否则集合 Θ ( g ( n ))就是空集。Θ 记号的效果相当于舍弃了低阶项和忽略了最高阶项的系数。
O 符号
Θ 记号渐近地给出了一个函数的上界和下界。当只有 渐近 上界时，使用 O 记号。对一个函数 g ( n )，用 O ( g ( n ))表示一个函数集合：
上图说明了 O 记号的直观意义。对所有位于 n0 右边的 n 值，函数 f ( n )的值在 g ( n )下。
， 则可以表示为 f(n) = O(n2)。证明：要使得 0 <= f(n) <= cg(n)
存在c = 9/2 ,n0 = 1,使得对所有的n >= n0都有 0 <= f(n) <= cg(n)。O(g(n) 以及后面讲到的记号表示的都是集合，而f(n) = O(n2)的实际意义 是 f(n) ∈ O(n2)。假设有 
， 
则 g(n) = O(n2) , f(n) = O(n2)
o 记号
O 记号提供的渐近上界可能是也可能不是渐近紧确的。这里用 o 记号表示非渐近紧确的上界。 o ( g ( n ))的形式定义为集合：
O 记号与 o 记号的主要区别在于对 f ( n ) = O ( g ( n ))，界0 <= f ( n ) <= c g ( n )对某个常数 c > 0成立；但对 f ( n ) = o ( g ( n ))，界0 <= f ( n ) <= c g ( n )对所有常数 c > 0都成立。即
Ω 记号
Ω 记号给出了函数的渐近下界。给定一个函数 g ( n )，用 Ω ( g ( n ))表示一个函数集合：
上图说明了 Ω 记号的直观意义。对所有在 n0 右边的 n 值，函数 f ( n )的数值等于或大于 c g ( n )。
定理 对任意两个函数 f ( n )和 g ( n )， f ( n ) = Θ ( g ( n ))当且仅当 f ( n ) = O ( n )和 f ( n ) = Ω ( g ( n ))。
ω 记号
我们用 ω 记号来表示非渐近紧确的下界。 ω ( g ( n ))的形式定义为集合：
关系 f ( n ) = ω ( g ( n ))意味着
如果这个极限存在。也就是说当 n 趋于无穷时， f ( n )相对 g ( n )来说变得任意大了。
函数间的比较
设 f ( n )和 g ( n )是渐近正值函数。
传递性：
- f ( n ) = Θ ( g ( n ))和 g ( n ) = Θ ( h ( n )) 蕴含 f ( n ) = Θ ( h ( n ))
- f ( n ) = O ( g ( n ))和 g ( n ) = O ( h ( n )) 蕴含 f ( n ) = O ( h ( n ))
- f ( n ) = Ω ( g ( n ))和 g ( n ) = Ω ( h ( n )) 蕴含 f ( n ) = Ω ( h ( n ))
- f ( n ) = o ( g ( n ))和 g ( n ) = o ( h ( n )) 蕴含 f ( n ) = o ( h ( n ))
- f ( n ) = ω ( g ( n ))和 g ( n ) = ω ( h ( n )) 蕴含 f ( n ) = ω ( h ( n ))
自反性：
- f ( n ) = Θ ( f ( n ))
- f ( n ) = O ( f ( n ))
- f ( n ) = Ω ( f ( n ))
对称性：
- f ( n ) = Θ ( g ( n ))当且仅当 g ( n ) = Θ ( f ( n ))
转置对称性：
- f ( n ) = O ( g ( n ))当且仅当 g ( n ) = Ω ( f ( n ))
- f ( n ) = o ( g ( n ))当且仅当 g ( n ) = ω ( f ( n ))
求解递归式的方法。
递归树法
递归树法是一种解递归式比较特别的方法，在第一节将归并排序的时候有用到过这个方法。它最棒的一点就是总是能用，它能告诉你一种直觉让你知道答案是多少，只是有些不严谨。所以用这个方法时要特别小心，不然可能会得到错的答案。因为它需要用到点、点、点，使用省略号来得到结论。
主定理方法
主定理方法本质上可以认为是递归树方法的一个应用，但是它更精确。不同于递归树方法有省略号有待证明，主定理方法基于一个定理（主定理）。遗憾的是，主方法限制颇多只能应用到特定的递归式上。主方法是计算时间复杂度的时候用的
那么这里我在取一个不满足主定理的例子~
所以主定理不满足时就利用决策树进行带入吧！如果数学计算能力比较强大还是可以计算出来的，毕竟主定理都是决策树证明的，数学能力不强表示证明有点困难...
不过这里有个偷懒的证明方法，直接假设f（n）是一个nk形式的；
T（n）=aT（n/b）+nk
T（n/b）=aT（n/b2）+（n/b）k
...
所以T(n)=a（aT（n/b2）+（n/b）k）+nk=nk（1+a/bk+...+(a/bk)h)=(nk-nlogba)/(1-a/bk),接下来讨论a和bk的关系决定了为nk还是nlogba，上面如果为1则为nklogbn了。
简单的证明， 替换法举一个例子如下：
关于程序算法艺术与实践更多讨论与交流，敬请关注本博客和新浪微博songzi_tea.
版权声明：本文为博主原创文章，未经博主允许不得转载。