mirror of
https://github.com/adambard/learnxinyminutes-docs.git
synced 2024-12-24 15:51:41 +03:00
[asymptotic-notation/ru] Proofreading
This commit is contained in:
Andre Polykanine
parent
f03d941d86
commit
ae6f3fbb8e
@ -1,225 +1,225 @@
|
||||
---
|
||||
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/)
|
||||
|
||||
---
|
||||
category: Algorithms & Data Structures
|
||||
name: Asymptotic Notation
|
||||
contributors:
|
||||
- ["Jake Prather", "http://github.com/JakeHP"]
|
||||
- ["Divay Prakash", "http://github.com/divayprakash"]
|
||||
translators:
|
||||
- ["pru-mike", "http://github.com/pru-mike"]
|
||||
lang: ru-ru
|
||||
---
|
||||
|
||||
# О-символика
|
||||
|
||||
## Что это такое?
|
||||
|
||||
О-символика, или асимптотическая запись, — это система символов, позволяющая
|
||||
оценить время выполнения алгоритма, устанавливая зависимость времени выполнения
|
||||
от увеличения объёма входных данных. Она также известна как оценка
|
||||
сложности алгоритмов. Станет ли алгоритм невероятно медленным, когда
|
||||
объём входных данных увеличится? Будет ли алгоритм выполняться достаточно быстро,
|
||||
если объём входных данных возрастёт? 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 объёмов входных данных. Хотя это и приемлемое решение, тот объём
|
||||
работы, которого оно потребует, даже для простых алгоритмов делает его
|
||||
использование неоправданным.
|
||||
|
||||
Другой способ — это измерить, какое время алгоритм потребует для завершения на
|
||||
различных объёмах входных данных. В то же время, точность и относительность
|
||||
этого метода (полученное время будет относиться только к той машине, на которой
|
||||
оно вычислено) 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 с 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, а 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
|
||||
Квадратичная функция — an^2 + bn +c
|
||||
Степенная функция — an^z + . . . + an^2 + a*n^1 + a*n^0, где z — константа
|
||||
Показательная 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 квадратичной, степенной
|
||||
и показательной по сравнению с логарифмической и линейной.
|
||||
|
||||
Крайне важно понимать, что при использовании описанной далее нотации необходимо
|
||||
использовать упрощённые 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 упрощённые выражения, немного скорректируем нашу таблицу...
|
||||
|
||||
```
|
||||
Логарифм — log n
|
||||
Линейная функция — n
|
||||
Квадратичная функция — n^2
|
||||
Степенная функция — n^z, где z — константа
|
||||
Показательная функция — a^n, где a — константа
|
||||
```
|
||||
|
||||
### О Большое
|
||||
О Большое, записывается как **О**, — это асимптотическая запись для оценки худшего
|
||||
случая, или для ограничения заданной функции сверху. Это позволяет сделать
|
||||
_**асимптотическую оценку верхней границы**_ скорости роста времени выполнения
|
||||
алгоритма. Пусть `f(n)` — время выполнения алгоритма, а `g(n)` — заданная временная
|
||||
сложность, которая проверяется для алгоритма. Тогда `f(n)` — это O(g(n)), если
|
||||
существуют действительные константы c (c > 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 и n<sub>0</sub>, такие, что выражение верно для всех n > n<sub>0</sub>?
|
||||
|
||||
```
|
||||
3log n + 100 <= 150 * log n, n > 2 (не определенно 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 и 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 заданной функции снизу. Это позволяет сделать
|
||||
_**асимптотическую оценку нижней границы**_ скорости роста времени выполнения
|
||||
алгоритма.
|
||||
|
||||
`f(n)` является Ω(g(n)), если существуют действительные константы
|
||||
c (c > 0) и n<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 Большого и Омега Большого, могут
|
||||
как являться, так и не являться точными. Для того, чтобы 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) найдётся 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 Большого и О Малого 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 c > 0.
|
||||
|
||||
### Омега Малое
|
||||
Омега Малое, записывается как **ω**, — это асимптотическая запись для оценки
|
||||
верхней 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) найдётся 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 c > 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.
|
||||
Также см. примеры по ссылкам.
|
||||
|
||||
### Заключение
|
||||
Такую тему сложно изложить кратко, поэтому обязательно стоит пройти по ссылкам и
|
||||
посмотреть дополнительную литературу. В ней даётся 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. Символ O()](http://algolist.manual.ru/misc/o_n.php)
|
||||
* [Асимптотический анализ и теория вероятностей](https://www.lektorium.tv/course/22903)
|
||||
|
||||
## Ссылки (англ.)
|
||||
|
||||
* [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/)
|
||||
|
||||
|
||||
Loading…
Reference in New Issue
Block a user