1 O、Ω、Θ 的定义
在数学、算法分析里，\(O\)、\(\Omega\)、\(\Theta\) 都是在描述两个函数的渐近增长速度 ，通常讨论 \(n\to\infty\) 时的关系。
最核心的区别是：
\\\boxed{O=\\text{渐近上界},\\qquad \\Omega=\\text{渐近下界},\\qquad \\Theta=\\text{同阶/紧确渐近界}} \\
更严格地说，给定两个非负函数 \(f(n)\) 和 \(g(n)\)。
-
\(f(n)=O(g(n))\)：存在常数 \(c>0,n_0\)，使得对所有 \(n\ge n_0\)，
\f(n)\\le c\\,g(n). \\
意思是：\(f\) 最终不会比 \(g\) 快超过一个常数倍。
-
\(f(n)=\Omega(g(n))\)：存在常数 \(c>0,n_0\)，使得对所有 \(n\ge n_0\)，
\f(n)\\ge c\\,g(n). \\
意思是：\(f\) 最终至少有 \(g\) 这么快的增长量级。
-
\(f(n)=\Theta(g(n))\)：存在常数 \(c_1,c_2>0,n_0\)，使得对所有 \(n\ge n_0\)，
\c_1g(n)\\le f(n)\\le c_2g(n). \\
也就是：
\f(n)=O(g(n)) \\quad\\text{且}\\quad f(n)=\\Omega(g(n)). \\
意思是：\(f\) 和 \(g\) 的增长速度是同一个数量级。
可以这样记：
| 符号 | 含义 | 直觉 |
|---|---|---|
| \(O(g(n))\) | 上界 | "最多这么快" |
| \(\Omega(g(n))\) | 下界 | "至少这么快" |
| \(\Theta(g(n))\) | 上下界一致 | "就是这个量级" |
如果画成一种直观的"夹住"关系：
\\\begin{aligned} f(n)=O(g(n)) \&\\quad\\Longrightarrow\\quad f(n)\\ \\text{在上面被 } g(n)\\text{ 的常数倍压住},\\\\ f(n)=\\Omega(g(n)) \&\\quad\\Longrightarrow\\quad f(n)\\ \\text{在下面被 } g(n)\\text{ 的常数倍托住},\\\\ f(n)=\\Theta(g(n)) \&\\quad\\Longrightarrow\\quad f(n)\\ \\text{被 } g(n)\\text{ 的两个常数倍夹住}. \\end{aligned} \\
2 举例
比如 \(f(n)=3n^2+10n+100\)，那么：
\f(n)=O(n\^2), \\
因为它最终不会超过某个常数倍的 \(n^2\)。
同时：
\f(n)=\\Omega(n\^2), \\
因为它最终也至少是某个常数倍的 \(n^2\)。
因此，我们有：
\\\boxed{f(n)=\\Theta(n\^2)}. \\
注意，这里有一个容易混淆的点：我们常用的大 \(O\) 不等于"精确复杂度" 。例如，上面的函数不仅有 \(f(n)=O(n^2)\)，也完全可以说
\f(n)=O(n\^3),\\qquad f(n)=O(n\^4),\\qquad f(n)=O(2\^n). \\
这些都没错，因为它们都是上界，只是比较松。
相反，\(f(n)=\Theta(n^2)\) 表达的信息更强：它明确告诉你真正的渐近数量级就是 \(n^2\)。
再举一个例子，例如：
\n = O(n\^2), \\
是对的，因为
\n\\le n\^2 \\
在 \(n\ge1\) 时成立。
但是
\n\\ne\\Theta(n\^2), \\
因为 \(n\) 和 \(n^2\) 并不是同一个增长量级。
反过来：
\n\^2=\\Omega(n), \\
也是正确的。
3 另外一个判断方式：看 n → ∞ 的极限
另外一个很有用的判断方式是看极限。如果
\\\lim_{n\\to\\infty}\\frac{f(n)}{g(n)}=L, \\qquad 0\
那么通常可以直接得到
\\\boxed{f(n)=\\Theta(g(n))}. \\
例如：
\\\lim_{n\\to\\infty} \\frac{3n\^2+10n+100}{n\^2} = 3, \\
所以
\3n\^2+10n+100=\\Theta(n\^2). \\
在算法里，如果一个程序运行时间是
\T(n)=5n\^2+3n+10, \\
最准确的渐近描述通常是
\T(n)=\\Theta(n\^2), \\
而说 \(T(n)=O(n^2)\) 只是给出了它的上界。