{
  "id": "big-omega-notation",
  "title": "大Ω记号",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "大Ω记号表示函数的渐近下界，常用于描述输入规模增长时计算资源需求的下界。",
  "category": "computer-science",
  "subcategory": "algorithms-theory",
  "type": "concept",
  "aliases": [
    "大欧米伽记号",
    "大Omega记号",
    "Ω记号"
  ],
  "generated_at": "2026-11-06",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/big-omega-notation/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/big-omega-notation/",
      "json": "https://aiwiki.page/en/big-omega-notation.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "大Ω记号写作 \\(\\Omega\\)，用于描述函数增长的渐近下界。按照计算机科学中的标准含义，\\(f(n)=\\Omega(g(n))\\) 表示当 \\(n\\) 超过某个阈值后，\\(f(n)\\) 至少为 \\(g(n)\\) 的某个正常数倍。它广泛用于计算复杂性中，表示运行时间、内存消耗及其他资源需求的下界。这个记号描述的是函数之间的关系；它本身并不说明分析针对的是最好情况、平均情况还是最坏情况。"
    },
    {
      "heading": "形式定义",
      "text": "设 \\(f\\) 和 \\(g\\) 是定义在正整数上的实值函数，且当输入充分大时，两个函数均非负。如果存在常数 \\(c>0\\) 和 \\(n_0\\)，使得\n\n\\[0\\leq c\\,g(n)\\leq f(n) \\qquad\\text{for every }n\\geq n_0.\\]\n\n则称\n\n\\[f(n)=\\Omega(g(n))\\]\n\n这些常数必须与 \\(n\\) 无关。重要的是它们是否存在，其具体取值通常并不重要。\n\n例如，设\n\n\\[f(n)=3n^2-5n+2.\\]\n\n对于每个整数 \\(n\\geq 2\\)，都有\n\n\\[f(n)-n^2=2n^2-5n+2=(2n-1)(n-2)\\geq 0.\\]\n\n因此，取 \\(c=1\\)、\\(n_0=2\\)，可得 \\(f(n)=\\Omega(n^2)\\)。这个函数也属于 \\(\\Omega(n)\\) 和 \\(\\Omega(1)\\)：一个下界不一定是所能给出的最强下界。\n\n严格来说，\\(\\Omega(g)\\) 表示一个函数集合。因此，这一命题的集合论写法是\n\n\\[f\\in\\Omega(g)\\]\n\n惯用表达式 \\(f=\\Omega(g)\\) 虽然广泛使用，但其中的等号不应视为具有通常对称性的等号。\n\n同一定义也适用于实变量趋于无穷时的函数，此时要求不等式对每个充分大的实数自变量都成立。"
    },
    {
      "heading": "与其他渐近记号的关系",
      "text": "大Ω记号属于渐近记号这一类记号，它们在比较增长速度时，忽略常数因子以及定义域有界部分上的行为。\n\n记号 | 对于充分大时非负的函数，其含义为\n\\(f(n)=O(g(n))\\) | 当自变量充分大时，\\(f\\) 不超过 \\(g\\) 的某个正常数倍。\n\\(f(n)=\\Omega(g(n))\\) | 当自变量充分大时，\\(f\\) 不小于 \\(g\\) 的某个正常数倍。\n\\(f(n)=\\Theta(g(n))\\) | 上述两种界均成立，所用的常数可以不同。\n\\(f(n)=\\omega(g(n))\\) | 对于每个正常数 \\(c\\)，当自变量充分大时，均有 \\(f(n)\\geq c\\,g(n)\\)。\n\n特别地，大O记号与大Ω记号互为对偶：\n\n\\[f(n)=\\Omega(g(n)) \\quad\\Longleftrightarrow\\quad g(n)=O(f(n)).\\]\n\n用大Θ记号表示的渐近紧界满足\n\n\\[f(n)=\\Theta(g(n)) \\quad\\Longleftrightarrow\\quad f(n)=O(g(n)) \\ \\text{and}\\ f(n)=\\Omega(g(n)).\\]\n\n小ω记号比大Ω记号更强。对于充分大时为正的 \\(g\\)，有\n\n\\[f(n)=\\omega(g(n)) \\quad\\Longleftrightarrow\\quad \\frac{f(n)}{g(n)}\\longrightarrow+\\infty.\\]\n\n因此，\\(n^2=\\Omega(n^2)\\)，但 \\(n^2\\neq\\omega(n^2)\\)。相比之下，\\(n^2=\\omega(n)\\)。"
    },
    {
      "heading": "在算法分析中的含义",
      "text": "分析算法时，大Ω记号可以描述任何明确定义的资源函数的下界，常见例子包括时间复杂度和空间复杂度。\n\n设 \\(t_A(x)\\) 为算法 \\(A\\) 在输入 \\(x\\) 上的运行时间。假定最大值和最小值均存在，定义\n\n\\[T_{\\mathrm{worst}}(n)=\\max_{|x|=n}t_A(x), \\qquad T_{\\mathrm{best}}(n)=\\min_{|x|=n}t_A(x).\\]\n\n这些函数可以用来表述不同的结论：\n\n- \\(T_{\\mathrm{worst}}(n)=\\Omega(g(n))\\) 表示，对于每个充分大的输入规模，都存在某个输入，至少需要 \\(c\\,g(n)\\) 的时间。\n- \\(T_{\\mathrm{best}}(n)=\\Omega(g(n))\\) 表示，对于每个充分大的输入规模，该规模下的每个输入都至少需要 \\(c\\,g(n)\\) 的时间。\n- 平均情况下界涉及指定输入分布下的期望值。\n\n对于随机化算法，也可以针对算法内部的随机性取期望。期望时间的下界并不自动意味着每次执行都满足同样的下界。\n\n下界并不意味着最好情况复杂度\n\n有时，人们会非正式地将大Ω记号称为“最好情况记号”。这种说法是错误的。最好情况分析和最坏情况分析决定研究的是哪个资源函数；大Ω记号则规定该函数的界的方向。\n\n例如，在未排序的数组（数据结构）中进行顺序查找，可能在第一次比较后就结束。因此，其最好情况运行时间为 \\(\\Theta(1)\\)。它的最坏情况运行时间为 \\(\\Theta(n)\\)，因而也是 \\(\\Omega(n)\\)。后一个结论并不意味着每次查找都需要线性时间。\n\n算法下界与问题下界\n\n某个算法的下界不同于整个计算问题的下界。\n\n证明某个特定的排序算法需要 \\(\\Omega(n\\log n)\\) 的时间，并不能证明所有排序算法都需要这么多时间。问题层面的下界必须涵盖指定计算模型所允许的所有算法。\n\n对 \\(n\\) 个互不相同的元素进行基于比较的排序时，确定性算法必须区分 \\(n!\\) 种可能的输入排列。因此，二叉比较树在最坏情况下的高度至少为\n\n\\[\\left\\lceil\\log_2(n!)\\right\\rceil =\\Omega(n\\log n).\\]\n\n这个下界适用于比较模型。它并不排除在不同假设下采用更快的排序方法，例如利用整数键值范围有界这一特点的方法。归并排序的最坏情况上界为 \\(O(n\\log n)\\)，在渐近阶上与比较模型的下界一致。"
    },
    {
      "heading": "如何证明大Ω下界",
      "text": "直接利用不等式\n\n最直接的证明方法是给出合适的常数 \\(c\\) 和 \\(n_0\\)。\n\n对于首项系数为正的多项式\n\n\\[p(n)=a_kn^k+a_{k-1}n^{k-1}+\\cdots+a_0, \\qquad a_k>0,\\]\n\n当 \\(n\\) 充分大时，所有低次项之和的绝对值至多为 \\(\\frac{a_k}{2}n^k\\)。因此，对于充分大的 \\(n\\)，有\n\n\\[p(n)\\geq \\frac{a_k}{2}n^k\\]\n\n由此证明 \\(p(n)=\\Omega(n^k)\\)。\n\n比值判别法\n\n如果 \\(g(n)>0\\) 在 \\(n\\) 充分大时成立，则\n\n\\[f(n)=\\Omega(g(n)) \\quad\\Longleftrightarrow\\quad \\liminf_{n\\to\\infty}\\frac{f(n)}{g(n)}>0,\\]\n\n其中，下极限可以为 \\(+\\infty\\)。\n\n特别地，如果比值的通常极限存在且为正，无论是有限正值还是正无穷，都能据此确立大Ω下界。如果极限为零，则该下界不成立。\n\n通常意义下的极限并非必需。例如，\n\n\\[f(n)=n\\bigl(2+(-1)^n\\bigr)\\]\n\n的比值 \\(f(n)/n\\) 在 \\(1\\) 和 \\(3\\) 之间交替变化。这个比值不收敛，但仍有 \\(f(n)=\\Omega(n)\\)。\n\n计数与不可避免的工作量\n\n算法下界往往来自所选模型下无法避免的工作，例如读取必需的输入项、显式写出输出，或区分足够多种可能的答案。\n\n这类论证需要精确的假设。在每次操作只能写出常数个输出项的模型中，显式生成 \\(m\\) 个输出项需要 \\(\\Omega(m)\\) 次输出操作。返回压缩表示或指向已有数据的引用属于不同的任务，不一定满足同样的下界。"
    },
    {
      "heading": "性质与局限",
      "text": "对于充分大时非负的函数，大Ω关系具有传递性：\n\n\\[f=\\Omega(g),\\qquad g=\\Omega(h) \\quad\\Longrightarrow\\quad f=\\Omega(h).\\]\n\n将其中任意一个函数乘以固定的正常数，不会改变这一关系。修改有限多个函数值也不会产生影响。\n\n其渐近性质带来以下局限：\n\n- 它不给出精确的开销。 诸如 \\(T(n)=\\Omega(n)\\) 这样的陈述，既不指定具体运行时间，也不指定不等式开始成立的阈值。\n- 它不一定是紧界。 \\(n\\) 和 \\(n^3\\) 都属于 \\(\\Omega(n)\\)。\n- 它要求在自变量充分大时有统一的下界。 仅在某个无穷子序列上取大值并不足够。一个在偶数输入上等于 \\(n^2\\)、在奇数输入上等于 \\(1\\) 的函数，不属于 \\(\\Omega(n)\\)。\n- 它依赖于计算模型。 将任意精度算术运算视为一次操作，与逐一统计比特操作，可能得出不同的界。\n- 它要求明确趋于极限的方式。 当输入有多个参数时，诸如 \\(T(n,m)=\\Omega(nm)\\) 这样的断言，必须说明涵盖哪些参数取值，以及所用常数是否对这些取值统一适用。"
    },
    {
      "heading": "历史上的约定",
      "text": "符号 \\(\\Omega\\) 在渐近分析中并非始终具有统一的含义。在解析数论的部分领域所采用的哈代–李特尔伍德约定中，\\(f=\\Omega(g)\\) 大致表示相对于 \\(g\\)，\\(f\\) 在渐近意义下并非可忽略，而不是断言在自变量充分大时存在一个正的下界。\n\n对于正值函数 \\(g\\)，这一约定通常表述为\n\n\\[\\limsup_{x\\to\\infty} \\left|\\frac{f(x)}{g(x)}\\right|>0.\\]\n\n它允许比值仅沿某个子序列保持显著大小，并不要求计算机科学中的不等式对每个充分大的自变量都成立。当自变量充分大时要求下界成立的约定由高德纳倡导，如今已成为算法分析中的标准。因此，在不同数学领域之间切换时，必须核实所采用的定义，而不能仅凭符号推断其含义。"
    }
  ],
  "links": [
    "mathematical-function",
    "computer-science",
    "computational-complexity",
    "big-o-notation",
    "big-theta-notation",
    "algorithm",
    "time-complexity",
    "space-complexity",
    "expected-value",
    "randomized-algorithm",
    "array-data-structure",
    "sorting-algorithm",
    "merge-sort",
    "polynomial",
    "bit"
  ],
  "sources": [],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}