mirror of
https://github.com/adambard/learnxinyminutes-docs.git
synced 2024-12-24 18:11:38 +00:00
226 lines
14 KiB
Markdown
226 lines
14 KiB
Markdown
---
|
||
category: Algorithms & Data Structures
|
||
name: Asymptotic Notation
|
||
contributors:
|
||
- ["Jake Prather", "http://github.com/JakeHP"]
|
||
- ["Divay Prakash", "http://github.com/divayprakash"]
|
||
translators:
|
||
- ["pru-mike", "http://gihub.com/pru-mike"]
|
||
lang: ru-ru
|
||
---
|
||
|
||
# О-cимволика
|
||
|
||
## Что это такое?
|
||
|
||
О-cимволика или асимптотическая запись это система символов позволяющая оценить
|
||
время выполнения алгоритма, устанавливая зависимость времени выполнения от
|
||
увеличения объема входных данных, так же известна как оценка
|
||
сложности алгоритмов. Быстро-ли алгоритм станет невероятно медленным, когда
|
||
объем входных данных увеличится? Будет-ли алгоритм выполняться достаточно быстро,
|
||
если объем входных данных возрастет? О-символика позволяет ответить на эти
|
||
вопросы.
|
||
|
||
## Можно-ли по-другому найти ответы на эти вопросы?
|
||
|
||
Один способ это подсчитать число элементарных операций в зависимости от
|
||
различных объемов входных данных. Хотя это и приемлемое решение, тот объем
|
||
работы которого оно потребует, даже для простых алгоритмов, делает его
|
||
использование неоправданным.
|
||
|
||
Другой способ это измерить какое время алгоритм потребует для завершения на
|
||
различных объемах входных данных. В тоже время, точность и относительность
|
||
(полученное время будет относиться только к той машине на которой оно
|
||
вычислено) этого метода зависит от среды выполнения: компьютерного аппаратного
|
||
обеспечения, мощности процессора и т.д.
|
||
|
||
## Виды О-символики
|
||
|
||
В первом разделе этого документа мы определили, что О-символика
|
||
позволяет оценивать алгоритмы в зависимости от изменения размера входных
|
||
данных. Представим что алгоритм это функция f, n размер входных данных и
|
||
f(n) время выполнения. Тогда для данного алгоритма f c размером входных
|
||
данных n получим какое-то результирующее время выполнения f(n).
|
||
Из этого можно построить график, где ось Y время выполнения, ось X размер входных
|
||
данных и точки на графике это время выполнения для заданного размера входных
|
||
данных.
|
||
|
||
С помощью О-символики можно оценить функцию или алгоритм
|
||
несколькими различными способами. Например можно оценить алгоритм исходя
|
||
из нижней оценки, верхней оценки, тождественной оценки. Чаще всего встречается
|
||
анализ на основе верхней оценки. Как правило не используется нижняя оценка,
|
||
потому что она не подходит под планируемые условия. Отличный пример алгоритмы
|
||
сортировки, особенно добавление элементов в древовидную структуру. Нижняя оценка
|
||
большинства таких алгоритмов может быть дана как одна операция. В то время как в
|
||
большинстве случаев, добавляемые элементы должны быть отсортированы
|
||
соответствующим образом при помощи дерева, что может потребовать обхода целой
|
||
ветви. Это и есть худший случай, для которого планируется верхняя оценка.
|
||
|
||
### Виды функций, пределы и упрощения
|
||
|
||
```
|
||
Логарифмическая функция - log n
|
||
Линейная функция - an + b
|
||
Квадратическая функция - an^2 + bn +c
|
||
Полиномиальная функция - an^z + . . . + an^2 + a*n^1 + a*n^0, где z константа
|
||
Экспоненциальная функция - a^n, где a константа
|
||
```
|
||
|
||
Приведены несколько базовых функций используемых при определении сложности в
|
||
различных оценках. Список начинается с самой медленно возрастающей функции
|
||
(логарифм, наиболее быстрое время выполнения) и следует до самой быстро
|
||
возрастающей функции (экспонента, самое медленное время выполнения). Отметим,
|
||
что в то время как 'n' или размер входных данных, возрастает в каждой из этих функций,
|
||
результат намного быстрее возрастает в квадратической, полиномиальной
|
||
и экспоненциальной по сравнению с логарифмической и линейной.
|
||
|
||
Крайне важно понимать, что при использовании описанной далее нотации необходимо
|
||
использовать упрощенные выражения.
|
||
Это означает, что необходимо отбрасывать константы и слагаемые младших порядков,
|
||
потому что если размер входных данных (n в функции f(n) нашего примера)
|
||
увеличивается до бесконечности (в пределе), тогда слагаемые младших порядков
|
||
и константы становятся пренебрежительно малыми. Таким образом, если есть
|
||
константа например размера 2^9001 или любого другого невообразимого размера,
|
||
надо понимать, что её упрощение внесёт значительные искажения в точность
|
||
оценки.
|
||
|
||
Т.к. нам нужны упрощенные выражения, немного скорректируем нашу таблицу...
|
||
|
||
```
|
||
Логарифм - log n
|
||
Линейная функция - n
|
||
Квадратическая функция - n^2
|
||
Полиномиальная функция - n^z, где z константа
|
||
Экспонента - a^n, где a константа
|
||
```
|
||
|
||
### О-Большое
|
||
О-Большое, записывается как **О**, это асимптотическая запись для оценки худшего
|
||
случая или для ограничения заданой функции сверху. Это позволяет сделать
|
||
_**асимптотическую оценку верхней границы**_ скорости роста времени выполнения
|
||
алгоритма. Допустим `f(n)` время выполнения алгоритма и `g(n)` заданная временная
|
||
сложность которая проверяется для алгоритма. Тогда `f(n)` это O(g(n)), если
|
||
существуют действительные константы с (с > 0) и n<sub>0</sub>, такие
|
||
что `f(n)` <= `c g(n)` выполняется для всех n начиная с некоторого n<sub>0</sub> (n > n<sub>0</sub>).
|
||
|
||
*Пример 1*
|
||
|
||
```
|
||
f(n) = 3log n + 100
|
||
g(n) = log n
|
||
```
|
||
|
||
Является-ли `f(n)` O(g(n))?
|
||
Является-ли `3 log n + 100` O(log n)?
|
||
Посмотрим на определение О-Большого:
|
||
|
||
```
|
||
3log n + 100 <= c * log n
|
||
```
|
||
|
||
Существуют-ли константы c, n<sub>0</sub> такие что выражение верно для всех n > n<sub>0</sub>
|
||
|
||
```
|
||
3log n + 100 <= 150 * log n, n > 2 (неопределенно для n = 1)
|
||
```
|
||
|
||
Да! По определению О-Большого `f(n)` является O(g(n)).
|
||
|
||
*Пример 2*
|
||
|
||
```
|
||
f(n) = 3 * n^2
|
||
g(n) = n
|
||
```
|
||
|
||
Является-ли `f(n)` O(g(n))?
|
||
Является-ли `3 * n^2` O(n)?
|
||
Посмотрим на определение О-Большого:
|
||
|
||
```
|
||
3 * n^2 <= c * n
|
||
```
|
||
|
||
Существуют-ли константы c, n<sub>0</sub> такие что выражение верно для всех n > n<sub>0</sub>?
|
||
Нет, не существуют. `f(n)` НЕ ЯВЛЯЕТСЯ O(g(n)).
|
||
|
||
### Омега-Большое
|
||
Омега-Большое, записывается как **Ω**, это асимптотическая запись для оценки
|
||
лучшего случая или для ограничения заданой функции снизу. Это позволяет сделать
|
||
_**асимптотическую оценку нижней границы**_ скорости роста времени выполнения
|
||
алгоритма.
|
||
|
||
`f(n)` принадлежит Ω(g(n)), если существуют действительные константы
|
||
с (с > 0) и <sub>0</sub> (n<sub>0</sub> > 0), такие что `f(n)` >= `c g(n)` для всех n > n<sub>0</sub>.
|
||
|
||
### Примечание
|
||
|
||
Асимптотические оценки сделаные при помощи О-Большое и Омега-Большое могут
|
||
как быть так и не быть точными. Для того что бы обозначить что границы не
|
||
являются асимптотически точными используются записи о-малое и омега-малое.
|
||
|
||
### О-Малое
|
||
O-Малое, записывается как **о**, это асимптотическая запись для оценки верхней
|
||
границы времени выполнения алгоритма, при условии что граница не является
|
||
асимптотически точной.
|
||
|
||
`f(n)` является o(g(n)), если можно подобрать такие действительные константы,
|
||
что для всех c (c > 0) найдется n<sub>0</sub> (n<sub>0</sub> > 0), так
|
||
что `f(n)` < `c g(n)` выполняется для всех n (n > n<sub>0</sub>).
|
||
|
||
Определения О-символики для О-Большое и О-Малое похожи. Главное отличие в том,
|
||
что если f(n) = O(g(n)), тогда условие f(n) <= c g(n) выполняется если _**существует**_
|
||
константа c > 0, но если f(n) = o(g(n)), тогда условие f(n) < c g(n) выполняется
|
||
для _**всех**_ констант с > 0.
|
||
|
||
### Омега-малое
|
||
Омега-малое, записывается как **ω**, это асимптотическая запись для оценки
|
||
верней границы времени выполнения алгоритма, при условии что граница не является
|
||
асимптотически точной.
|
||
|
||
`f(n)` является ω(g(n)), если можно подобрать такие действительные константы,
|
||
что для всех c (c > 0) найдется n<sub>0</sub> (n<sub>0</sub> > 0), так
|
||
что `f(n)` > `c g(n)` выполняется для всех n (n > n<sub>0</sub>)
|
||
|
||
Определения Ω-символики и ω-символики похожи. Главное отличие в том, что
|
||
если f(n) = Ω(g(n)), тогда условие f(n) >= c g(n) выполняется если _**существует**_
|
||
константа c > 0, но если f(n) = ω(g(n)), тогда условие f(n) > c g(n)
|
||
выполняется для _**всех**_ констант с > 0.
|
||
|
||
### Тета
|
||
Тета, записывается как **Θ**, это асимптотическая запись для оценки
|
||
_***асимптотически точной границы***_ времени выполнения алгоритма.
|
||
|
||
`f(n)` является Θ(g(n)), если для некоторых действительных
|
||
констант c1, c2 и n<sub>0</sub> (c1 > 0, c2 > 0, n<sub>0</sub> > 0),
|
||
`c1 g(n)` < `f(n)` < `c2 g(n)` для всех n (n > n<sub>0</sub>).
|
||
|
||
∴ `f(n)` является Θ(g(n)) означает что `f(n)` является O(g(n))
|
||
и `f(n)` является Ω(g(n)).
|
||
|
||
О-Большое основной инструмент для анализа сложности алгоритмов.
|
||
Так же смотрите примеры по ссылкам.
|
||
|
||
### Заключение
|
||
Такую тему сложно изложить кратко, поэтому обязательно стоит пройти по ссылкам и
|
||
посмотреть дополнительную литературу. В них дается более глубокое описание с
|
||
определениями и примерами.
|
||
|
||
|
||
## Дополнительная литература
|
||
|
||
* [Алгоритмы на Java](https://www.ozon.ru/context/detail/id/18319699/)
|
||
* [Алгоритмы. Построение и анализ](https://www.ozon.ru/context/detail/id/33769775/)
|
||
|
||
## Ссылки
|
||
|
||
* [Оценки времени исполнения. Cимвол O()](http://algolist.manual.ru/misc/o_n.php)
|
||
* [Асимптотический анализ и теория вероятностей](https://www.lektorium.tv/course/22903)
|
||
|
||
## Ссылки (Eng)
|
||
|
||
* [Algorithms, Part I](https://www.coursera.org/learn/algorithms-part1)
|
||
* [Cheatsheet 1](http://web.mit.edu/broder/Public/asymptotics-cheatsheet.pdf)
|
||
* [Cheatsheet 2](http://bigocheatsheet.com/)
|
||
|