算法概念：大O表示法/小o表示法/Ω/Θ

如果算法A需要的时间与f(n)成正比，则算法A称为f(n)阶，表示为O(f(n))。函数f(n)称为算法的增率函数（growth-rate function）。该表示法使用大写字母O来表示（order），故称大O表示法。若规模为n的问题需要的时间与n成正比，则问题表示为O(n),即n阶。若需要的时间与n^2成正比，则问题表示为O(n^2)，以此类推。
下面是算法的阶的定义。
        若存在常量k和n0,使算法A在解决规模n>=n0的问题时，需要的问题单元不大于k*f(n),则算法A为f(n)阶，表示为O(f(n))。
        O(f(n))定义中的条件n>=n0正式阐明了问题规模足够大的概念，一般地，有很多k和n值可以满足这个定义。大O表示法的几个数学属性有助于简化算法分析。在讨论这些属性是要记住，O(f(n))意为f(n)阶，O并不是一个函数。
       1）可忽略算法增率函数的低阶项。
       2）可忽略算法增率函数中高阶项的倍数常量。
       3）O(f(n))+O(g(n))=O(f(n)+g(n))可组合增率函数。
来源： <http://blog.csdn.net/chenloug/article/details/6917244>

对于任何数学函数，这三个记号可以用来度量其“渐近表现”，即当趋于无穷大时的阶的情况，这是算法分析中非常重要的概念。大家可以把它们分别想象成≤、≥和，分别估计了函数的渐近上界、渐近下界和准确界。诚然，渐近关系和确切大小关系是有区别的，但当问题规模很大时，忽略这种区别能大大降低算法分析的难度。

下面我们就来具体定义这三种记号的表示。

设函数f ( n )代表某一算法在输入大小为n的情况下的工作量（效率），则在n趋向很大的时候，我们将f (n)与另一行为已知的函数g(n)进行比较：

1）如果0，则称f (n)在数量级上严格小于g(n)，记为f (n)=o( g(n))。（小o表示法）

2）如果正无穷，则称f (n)在数量级上严格大于g(n)，记为f (n)=( ( g(n))。（？）

3）如果c，这里c为非0常数，则称f (n)在数量级上等于g(n)，即f (n)和g(n)是同一个数量级的函数，记为：f (n)=Θ( g(n))。

4）如果f (n)在数量级上小于或等于g(n)，则记为f (n)=O( g(n))。（大O表示法）

5）如果f(n)在数量级上大于或等于g(n)，则记为f (n)=Ω( g(n))。

这里我们假定f (n)，g (n)是非负单调的，且极限存在。如果这个极限不存在，则无法对f (n)和g (n)进行比较。在进行此种计算时，一个经常用到的技术是洛必达（L'Hopital）法则。该法则由17世纪法国数学家Guillaume de L'Hopital发现（也有人认为是瑞士数学家Johann Bernoulli发现的）。该法则声称，两个函数的比率极限等于两个函数的导数的比率极限，这里当然假定两个函数的导数比率的极限存在，即有：

有了这个定义，就可以对素性测试的两个算法进行比较了。

，符合第1个定义，因此这两个素性测试算法的效率差异是数量级的差异。

在算法分析中，最常选取的g(n)有如下一些，见表2-1。

 

一个值得提醒的问题是，根据定义，对于任意一个g (n)函数来说，可能存在很多个函数f (n)，使得f (n)=O(g(n))，即O(g(n))表示的实际上是一个函数的集合，这里的等于也不是普通意义上的等于，而是说明f (n)是函数集合o(g(n))里的一员，即f (n)=O(g(n))并不意味着f (n)等于O(g(n))。等于号的这种使用令那些严谨的科学家非常不快甚至愤怒，但计算机界人士很喜欢这种马虎的表示。不过，我们在心里应该知道，f (n)=O(g(n))并不意味着f (n)≠O(g(n))。不然，我们就被自己骗了！

等号在其他渐近表示中的使用也可以同样解释。

来源： <http://book.2cto.com/201211/8127.html>