我们分析一个算法的时候，常常需要用到数学去描述其性能。最常用的的是?。比如在一段程序中有
For(I = 0,I < n ; I ++)
For(J = 0; j < n ; j++);
For (cnt = 0; cnt < n ; cnt ++);
我们会说其最坏情况是n^2+ n,这时候，实际上我们没有考虑机器因素，我们把每一条指令的执行时间都当做单位1来看，如果我们考虑到机器因素，比如在A机器上，每条指令执行的速度是c1,那么他的最坏情况是( n^2 + n) / c1,而在机器B上，速度变成了c2，那么最坏情况变成了(n^2 + n) / c2,如果c1是10，而c2是20，那么我们就说：算法在机器A上面的性能比机器B上差？显然不是这样的，机器变差了但算法本身没有变差，所以说在不同的机器上跑同样的算法，最坏情况时间总是不一样的，我们得想方设法去除机器性能的影响，而只是去单单分析算法本身的优劣，以便于在具体量化算法性能的时候又能去除机器因素的影响，因为我们讲算法分析而不是计算机系统分析。于是有人发明了Θ符号。对于这个符号我们来看几个例子，再看定义
比如说 ：
a * x ^2 + b * x + c = f(x);那么有Θ（x^2）= f(x).
a * x ^ 3 + b * x ^ 2 + c *x + d = f(x);那么有Θ（x ^ 3） = f(x).
也就是说它相当于取出f(x)的最高次项然后去掉其常数因子，然后放入Θ（）中，而放入Θ（）中又表示了什么呢？为了弄清楚这个问题，我们来看其定义：
注：在集合表示中“：”符号表示“满足于 …条件”
Θ（g(n)） = {f(n) : 存在某个常数c1,c2,和n0，使得当n >= n0时，有 0 <= c1 * g(n) <=f(n) <= c2 * g(n) }
从后面半句开始，“存在 n > n0,0<= c1 * g(n)”这里保证了g(n)是一个增函数。接着，有 c1 * g(n)<= f(n) <= c2 * g(n).在脑海里可以想象出来函数图像 [ c1 * g(n),c2 * g(n) ]这个区间实际上是摇摆的曲线，如果把g(n)看做是y = x这样的正比例函数，就是一个扇形是吧？一根曲线摇摆着，扫出一个扇形来。而f(n)就是这组成扇形的众多曲线中的一根！这里也就是说，无论g(n)是什么，总能有一个常数因子使得c1 * f(n) =g(n).再返回来原来的题目中去理解：
a * x ^2 + b * x + c = f(x);那么有Θ（x^2）= f(x)，这里Θ（x^2）表示，在x趋于无穷大这个过程中，有一个常数c使得c * n^2 = a * x ^2 + b * x +c = f(x)，也就是：同!阶!数!(见高数上);这样，我们用Θ（）来描述先程序的性能n^2 + n变成了Θ（n ^ 2）,这里表明，在n趋于无穷大的过程中，总有一个常数因子使得c * n^2 = n ^2 + n,这个常数因子c在上文中说到，由机器和其它非算法因素来决定。也就是说，我们用Θ（n
^ 2）来表示一个算法的性能的时候，我们就完全忽略了机器，只研究算法本身，它好像是说：无论你在什么机器上跑这个算法，只要输入规模足够大，你的性能都是n ^ 2的整数倍，至于是多少倍，由机器决定的，反正在同样的机器上，这个倍数是相等了。
你看，Θ（x^2）表示的不就是机器无关的，纯算法的性能了吗？原来的问题解决了。不过Θ（x^2）符号还使得我们只关注最高次幂，不去关注低次项，因为在n->无穷大的时候，低次项是没有意义的，因为此时只要n变化一点点，就足以抵消低次项的变化（其实还是同阶数）。所以我们知道，对于一个时间复杂度为Θ（x^2）的算法，它的时间性能是优于Θ（x^3）的算法的，这里我们没有考虑常数因子，即使Θ（x^3）的常数因子是10000000000000而Θ（x^2）的常数因子是1也没有关系，因为无论如何，总有一个值n0使得n越过这个点之后Θ（x^2）的算法总能打败Θ（x^3）的算法，也就是说使用了Θ这类的符号（渐进符号）去比较算法时间性能的时候，是与机器无关的，即使你在超级计算机上跑Θ（x^3）算法，只要输入规模和时间足够，跑Θ（x^2）算法的老式386机子总能打败超级计算机。类似于Θ符号我们引出了O符号（读作大o）。
O（g(n)） = {f(n) : 存在某个常数c,和n0，使得当n >= n0 时，有 0 <= f(n) <= c *g(n) }
这里我们就只关心最坏情况，我们在谈论一个算法的最坏情况时间复杂度的时候总是喜欢使用O符号，我通过前面的例子来说明这个O符号的作用。
For(I = 0,I < n ; I ++)
For(J = 0; j < n ; j++);
For (cnt = 0; cnt < n ; cnt ++);
这时候我们把机器执行的速度看做单位1，于是执行的时间是n^2 + n，我们会说，上面这个算法最坏情况时间复杂度是O(n^2),还是同样的目的，我们不去考虑机器本身的影响，因为机器执行的速度如果是c，那么时间也就是变成了(n^2 + n) / c,也只是常数因子的问题而已。在输入规模足够大的情况下，我们用O（n^ 2）来忽略机器的影响，只考虑算法本身的最坏情况，告诉别人： 嘿！无论你在什么机器上跑，你的最坏情况都不能比n ^ 2 这个值的x倍更坏啦。至于X倍是多少倍，反正我们只是研究算法的，只有做机器的人才知道X是多少倍，而我们比较算法的时候，不会在不同的机器上去测同样的算法然后拿来比较，往往在同样的机器上去考察一个算法，这时常数因子X是相等的，关心它也是多余的了，这就好比我们高考的时候每个人的分数都乘以10分然后再来报考，结果还不是一样？因为考大学是根据排名来录取的，所以对于算法也是一样的，我们只关注：“那个算法才是最好的？我们应该选择哪个算法？”这种比较性的问题。
————————————————————————上大人孔乙己 2014、11、23