{
  "id": "big-theta-notation",
  "title": "大Θ记号",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "大Θ记号描述函数增长的渐近紧确界，忽略常数因子及输入规模较小时的行为。",
  "category": "computer-science",
  "subcategory": "algorithms-theory",
  "type": "concept",
  "aliases": [
    "大西塔记号",
    "Θ记号",
    "西塔记号"
  ],
  "generated_at": "2026-11-05",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/big-theta-notation/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/big-theta-notation/",
      "json": "https://aiwiki.page/en/big-theta-notation.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "大Θ记号写作 \\(\\Theta\\)，用于描述当自变量足够大时，增长速率仅相差正常数因子的函数。在计算机科学中，它用于表示算法所需资源的紧确界，尤其是运行时间和内存。例如，\\(T(n)=\\Theta(n^2)\\) 表示，输入规模超过某个阈值后，\\(T(n)\\) 的上界和下界都可由 \\(n^2\\) 的正常数倍给出。它既不指定确切的运行时间，也不要求比值 \\(T(n)/n^2\\) 趋于某个极限。"
    },
    {
      "heading": "形式化定义",
      "text": "设 \\(f\\) 和 \\(g\\) 是以正整数 \\(n\\) 为自变量的实值函数，且当 \\(n\\) 足够大时，两个函数均非负。集合 \\(\\Theta(g(n))\\) 由满足以下条件的所有函数 \\(f\\) 组成：存在常数 \\(c_1>0\\)、\\(c_2>0\\) 和 \\(n_0\\)，使得\n\n\\[0\\leq c_1g(n)\\leq f(n)\\leq c_2g(n) \\qquad\\text{for every }n\\geq n_0.\\]\n\n这些常数必须与 \\(n\\) 无关，但可以取决于所比较的具体函数。\n\n左侧的不等式保证 \\(f\\) 相对于 \\(g\\) 不会变得任意小；右侧的不等式保证它相对于 \\(g\\) 不会变得任意大。两个不等式必须对所有足够大的自变量值成立，而不只是对无穷多个自变量值成立。\n\n严格来说，这一记号表达的是一个函数属于某个集合：\n\n\\[f\\in\\Theta(g).\\]\n\n通常采用的形式\n\n\\[f(n)=\\Theta(g(n))\\]\n\n以等号作为这种隶属关系的简写，不应将其理解为函数与集合之间的普通相等关系。\n\n对于可能取负值的函数，也会采用绝对值形式的定义：\n\n\\[c_1|g(n)|\\leq |f(n)|\\leq c_2|g(n)|\\]\n\n该不等式需对所有足够大的 \\(n\\) 成立。在算法分析中，资源计数通常非负，因此非负形式的定义一般已经足够。"
    },
    {
      "heading": "与其他渐近记号的关系",
      "text": "大Θ记号属于渐近分析的范畴。渐近分析研究极限行为，而非每个自变量值处的精确取值。\n\n定义中的两个界分别对应另外两种记号：\n\n- 大O记号，\\(f(n)=O(g(n))\\)，给出渐近上界。\n- 大Ω记号，\\(f(n)=\\Omega(g(n))\\)，给出渐近下界。\n\n在相同的非负性假设下，\n\n\\[f(n)=\\Theta(g(n)) \\quad\\Longleftrightarrow\\quad f(n)=O(g(n)) \\ \\text{and}\\ f(n)=\\Omega(g(n)).\\]\n\n因此，Θ界是渐近紧确的：它的上界和下界仅相差常数因子。\n\n例如，\\(n^2=O(n^3)\\) 是正确的，但这个界并不紧确。\\(n^2=\\Theta(n^3)\\) 则是错误的，因为不存在 \\(n^3\\) 的某个正常数倍，使其对所有足够大的 \\(n\\) 都不超过 \\(n^2\\)。\n\nΘ关系与渐近等价\n\n渐近等价写作 \\(f(n)\\sim g(n)\\)，通常表示\n\n\\[\\lim_{n\\to\\infty}\\frac{f(n)}{g(n)}=1.\\]\n\n这是比Θ关系更强的条件。例如，\n\n\\[3n^2\\sim 3n^2+n,\\]\n\n但 \\(3n^2\\not\\sim n^2\\)，尽管 \\(3n^2=\\Theta(n^2)\\)。\n\n更一般地，若\n\n\\[\\lim_{n\\to\\infty}\\frac{f(n)}{g(n)}=L, \\qquad 0<L<\\infty,\\]\n\n则 \\(f(n)=\\Theta(g(n))\\)。不过，这样的极限存在只是充分条件，而非必要条件。两者的比值可以在正常数之间振荡。"
    },
    {
      "heading": "示例与证明方法",
      "text": "多项式增长\n\n考虑\n\n\\[f(n)=3n^2+5n+7.\\]\n\n当 \\(n\\geq1\\) 时，\\(n\\leq n^2\\) 和 \\(1\\leq n^2\\) 均成立，因此\n\n\\[3n^2\\leq 3n^2+5n+7\\leq15n^2.\\]\n\n取 \\(c_1=3\\)、\\(c_2=15\\)、\\(n_0=1\\)，即可证明\n\n\\[3n^2+5n+7=\\Theta(n^2).\\]\n\n一般来说，首项系数为正的多项式与其最高次项具有相同的渐近阶。低次项和固定的乘法常数不会改变它所属的Θ类。\n\n重复操作的计数\n\n假设某个算法在外层循环的第 \\(i\\) 次迭代中，将一个常数时间操作执行 \\(i\\) 次，其中 \\(i=1,\\ldots,n\\)。操作总次数为\n\n\\[\\sum_{i=1}^{n}i=\\frac{n(n+1)}{2}=\\Theta(n^2).\\]\n\n这说明，即使内层循环在各次外层迭代中的执行次数不同，嵌套循环仍可呈现平方级增长。关键在于操作的总次数。\n\n对数增长\n\n对于固定的底数 \\(a,b>1\\)，\n\n\\[\\log_a n=\\frac{\\log_b n}{\\log_b a}.\\]\n\n由于换底因子是正常数，\n\n\\[\\log_a n=\\Theta(\\log_b n).\\]\n\n因此，在资源用量的渐近界中，常常省略对数的底数。这种简化不适用于指数函数的底数：\\(2^n\\) 和 \\(3^n\\) 并不具有Θ等价关系。\n\n振荡\n\n对于正整数 \\(n\\)，令\n\n\\[f(n)=n\\bigl(2+(-1)^n\\bigr).\\]\n\n其值为 \\(n\\) 或 \\(3n\\)，因此\n\n\\[n\\leq f(n)\\leq3n.\\]\n\n所以 \\(f(n)=\\Theta(n)\\)，尽管 \\(f(n)/n\\) 没有极限。Θ记号描述的是相对增长幅度有界，而不是比值收敛到某个固定值。"
    },
    {
      "heading": "在算法分析中的应用",
      "text": "在计算复杂性研究中，Θ记号常用于描述作为输入规模函数的时间复杂度和空间复杂度。\n\n典型示例如下：\n\n算法或操作 | 紧确界 | 假设条件\n按索引访问[[array-data-structure | 数组（数据结构）]]中的元素 | \\(\\Theta(1)\\)\n[[binary-search | 二分查找]] | 最坏情况下的比较次数为 \\(\\Theta(\\log n)\\)\n[[merge-sort | 归并排序]] | 最坏情况下的时间为 \\(\\Theta(n\\log n)\\)\n[[insertion-sort | 插入排序]] | 最坏情况下的时间为 \\(\\Theta(n^2)\\)\n\n所考察的资源和采用的计算模型都很重要。对固定长度机器字进行的算术运算可以视为常数时间操作，而对任意大整数进行的算术运算通常取决于所涉及的位数。\n\n最坏情况、平均情况与摊还代价\n\nΘ记号本身并不指明所分析的是哪些输入或执行过程。\n\n若算法在输入 \\(x\\) 上的运行时间为 \\(T(x)\\)，则可将最坏情况函数定义为\n\n\\[T_{\\mathrm{worst}}(n)=\\max_{|x|=n}T(x).\\]\n\n\\(T_{\\mathrm{worst}}(n)=\\Theta(g(n))\\) 给出的是这一最大值的紧确界，并不意味着每个规模为 \\(n\\) 的输入都需要 \\(\\Theta(g(n))\\) 的时间。\n\n平均情况界针对的是指定输入分布下的期望值。对于随机化算法，期望界也可能针对算法内部的随机选择。这是两种不同的随机性来源，必须加以明确。\n\n在摊还分析中，界所描述的是一串操作的代价，而不一定是每个操作单独的代价。对于容量按几何级数增长的动态数组，如果扩容时需要复制已有的 \\(n\\) 个元素，那么一次追加操作可能耗时 \\(\\Theta(n)\\)，但每次追加的摊还代价仍为 \\(\\Theta(1)\\)。"
    },
    {
      "heading": "代数性质",
      "text": "对于自变量充分大时取正值的函数，属于同一Θ类是一种等价关系：\n\n- 自反性：\\(f=\\Theta(f)\\)。\n- **对称性：**若 \\(f=\\Theta(g)\\)，则 \\(g=\\Theta(f)\\)。\n- **传递性：**若 \\(f=\\Theta(g)\\) 且 \\(g=\\Theta(h)\\)，则 \\(f=\\Theta(h)\\)。\n\n以下是一些实用的计算规则。\n\n对于正常数 \\(a\\)，\n\n\\[af=\\Theta(f).\\]\n\n对于自变量充分大时非负的 \\(f\\) 和 \\(g\\)，\n\n\\[f+g=\\Theta(\\max\\{f,g\\}).\\]\n\n若 \\(f_1=\\Theta(g_1)\\) 且 \\(f_2=\\Theta(g_2)\\)，并且所有函数在自变量充分大时均为正，则\n\n\\[f_1f_2=\\Theta(g_1g_2),\\]\n\n且\n\n\\[\\frac{f_1}{f_2}=\\Theta\\!\\left(\\frac{g_1}{g_2}\\right).\\]\n\n减法需要谨慎处理，因为相消可能消去主导项。仅知道 \\(f=\\Theta(n^2)\\) 和 \\(g=\\Theta(n^2)\\)，无法确定 \\(f-g\\) 的阶。例如，若 \\(f(n)=n^2+n\\) 且 \\(g(n)=n^2\\)，则 \\(f(n)-g(n)=n\\)。"
    },
    {
      "heading": "适用范围与局限",
      "text": "Θ记号有意忽略常数因子，以及自变量较小时有限范围内的行为。即使两种实现属于同一Θ类，其实际运行时间也可能因内存访问模式、硬件、编译器优化或较大的隐含常数而相差甚远。在实际关注的某个输入规模范围内，渐近增长更快、因而渐近性能较差的算法，反而可能表现更好。\n\nΘ界也不能证明算法是最优的。运行时间为 \\(\\Theta(n^2)\\) 的算法，只是其自身的增长速度得到了紧确描述；要证明最优性，还需要在指定模型中，为解决该问题的所有算法建立适当的下界。\n\n必须谨慎定义输入规模。若一个整数的数值为 \\(N\\)，则其二进制表示的长度为 \\(\\Theta(\\log N)\\)。因此，相对于 \\(N\\) 呈线性增长的运行时间，相对于该表示的长度却呈指数增长。\n\n对于多变量函数，还必须明确其定义域和量词。在 \\(\\Theta(n+m)\\) 这样的界中，乘法常数必须在所声明的 \\(n\\) 和 \\(m\\) 的整个取值范围内统一适用。将一个参数视为固定值，与允许两个参数独立变化，可能会得到不同的结论。"
    }
  ],
  "links": [
    "computer-science",
    "algorithm",
    "mathematical-function",
    "big-o-notation",
    "big-omega-notation",
    "polynomial",
    "computational-complexity",
    "time-complexity",
    "space-complexity",
    "array-data-structure",
    "binary-search",
    "merge-sort",
    "insertion-sort",
    "expected-value",
    "randomized-algorithm",
    "amortized-analysis",
    "dynamic-array",
    "compiler"
  ],
  "sources": [],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}