【问题标题】:Big O for worst-case running time and Ω is for the best-case, but why is Ω used in worst case sometimes?Big O 表示最坏情况的运行时间,Ω 表示最好的情况,但为什么有时在最坏情况下使用 Ω?
【发布时间】:2013-03-15 06:43:33
【问题描述】:

我很困惑,我以为您将 Bi​​g O 用于最坏情况的运行时间,而 Ω 用于最好的情况?有人可以解释一下吗?

难道 (lg n) 不是最好的情况吗?和 (nlg n) 是最坏的情况?还是我误解了什么?

显示 Max-Heapify 在大小为的堆上的最坏情况运行时间 n 为 Ω(lg n)。 (提示:对于有 n 个节点的堆,给出节点值 导致在路径上的每个节点递归调用 Max-Heapify 从根到叶子。)

编辑:不,这不是家庭作业。我正在练习,这有一个答案键购买我很困惑。 http://www-scf.usc.edu/~csci303/cs303hw4solutions.pdf 问题 4(6.2 - 6)

编辑 2:所以我误解了不是关于大 O 和 Ω 的问题?

【问题讨论】:

  • @Gumbo “他的分析是最坏的情况:你的链接中的 Theta(logn + k)”,这是提问者提到的。不是 Thetha(logn) 因为你可以 drop + k 吗?
  • 是的,找到附近的其他 k-1 个标题可以忽略不计。
  • Ω(1) 是最好的情况;-)

标签: algorithm data-structures heap complexity-theory asymptotic-complexity


【解决方案1】:

区分大小写和边界很重要。

最佳、平均和最差是分析算法时感兴趣的常见案例。

上限 (O, o) 和下限 (Omega, omega) 以及 Theta 是函数的常见界限。

当我们说“算法 X 的最坏情况时间复杂度是 O(n)”时,我们是说当我们将输入限制为最坏情况输入时,代表算法 X 性能的函数从上面渐近地限定为一些线性函数。您可以说最坏情况输入的下限;或平均或最佳案例行为的上限或下限。

案例!= 绑定。就是说,“最坏的上限”和“最好的下限”是非常明智的指标……它们为算法的性能提供了绝对界限。这并不意味着我们不能谈论其他指标。

编辑以回复您更新的问题:

问题要求您证明 Omega(lg n) 是最坏情况行为的下界。换句话说,当这个算法对一类输入做尽可能多的工作时,它所做的工作量增长至少与 (lg n) 一样快,渐近。所以你的步骤如下:(1)确定算法的最坏情况; (2) 在属于最坏情况的输入上找到算法运行时间的下限。

下面是线性搜索方式的说明:

在线性搜索的最坏情况下,目标项目不在列表中,必须检查列表中的所有项目以确定这一点。因此,该算法最坏情况复杂度的下界是O(n)。

需要注意的是:对于许多算法,大多数情况下的复杂性将由一组通用函数从上面和限制。 Theta 必然适用是很常见的。因此,无论如何,对于 Omega,您可能不会得到与 O 不同的答案。

【讨论】:

  • 我的印象是,明智的指标是“平均情况的上限”,除了平均情况往往比最坏情况更难确定。 (考虑快速排序,最坏的情况是病态的。)
  • @millimoose 我宁愿说明智的界限是最坏情况的上限,而快速排序是例外(因为我们宁愿忽略病态的最坏情况以证明使用它的合理性在真正的 O(n log n) 最坏情况算法上)。也就是说,我没有任何参考资料或凭据来支持“最坏情况的上限”比“平均情况的上限”更“有意义”的说法,所以我可以澄清这是我的评估,不被普遍接受。
  • 在任何给定的程序中,您是否经常得到最坏情况的输入?通常不会,因此对于任何算法,无论是否病态,平均情况复杂性将决定您实际观察到的性能。然而,由此产生的一个推论是,具有病态最坏情况复杂性的算法可能会导致 DOS 漏洞,例如最近出现的 Java parseDouble() 错误。另一个可能是使用适合您拥有的输入数据类型的算法是有意义的,这就是 timsort 很棒的原因。
  • @millimoose 一般来说,我同意算法选择所依据的指标应该取决于具体情况。例如,某些情况可能需要具有良好平均情况性能的算法并容忍偶尔的不良性能,而其他情况可能需要更一致的可扩展性能。在理论背景下,上/最差和下/最好更重要,因为它们说明了问题在复杂性类别中的位置。
  • @Patrick87 是“因此,该算法的最坏情况复杂度的下限是 O(n)。”错字?不应该是:“因此,该算法的最坏情况复杂度的下限是 Omega(n)?”。
【解决方案2】:

实际上,您将 Bi​​g O 用于增长速度快于最坏情况复杂度的函数,而使用 Ω 表示增长速度慢于最坏情况复杂度的函数。

所以这里要求你证明你的最坏情况复杂度比 lg(n) 差。

【讨论】:

  • “比lg(n) 差”——也许你应该说“是(渐近的)大于”。
  • 所以我误解了不是关于大 O 和 Ω 的问题?
  • @Zeta 在我们的考试中,你必须说“更糟糕”,因为如果它越大,它就越糟糕,对吧?
【解决方案3】:

O 是上限(即最坏情况) Ω 是下限(即最佳情况)

这个例子是说,在 max-heapify 的最差输入中(我猜最差的输入是逆序输入),运行时间复杂度必须(至少)是 lg n 。因此 Ω (lg n) 因为它是执行复杂度的下限。

【讨论】:

    猜你喜欢
    • 1970-01-01
    • 1970-01-01
    • 1970-01-01
    • 2021-09-21
    • 1970-01-01
    • 2014-11-23
    • 1970-01-01
    • 1970-01-01
    • 1970-01-01
    相关资源
    最近更新 更多