Θ（n）和O（n）之间的区别是什么？
有时候我会看到带有奇怪的Θ符号的Θ（n），它的中间有一些东西，有时候只是O（n）。 这只是懒惰的打字，因为没有人知道如何输入这个符号，或者它意味着什么不同？
简短的解释：
如果一个算法的Θ（g（n）），这意味着作为n（输入大小）的算法运行时间变大，与g（n）成正比。
如果算法是O（g（n）），则意味着算法的运行时间为n变大，最多与g（n）成比例。
通常，即使人们谈论O（g（n）），他们实际上意味着Θ（g（n）），但从技术上讲，这是有区别的。
更具体地说：
O（n）表示上限。 Θ（n）表示紧密结合。 Ω（n）代表下限。
如果f（x）= O（g（x））且f（x）=Ω（g（x）），则f（x）=Θ（g
基本上当我们说一个算法是O（n）时，它也是O（n2），O（n1000000），O（2n），...但是一个Θ（n）算法不是 Θ（n2）。
事实上，由于f（n）=Θ（g（n））意味着对于足够大的n值，对于c1和c2的某些值，f（n）可以在c1g（n）和c2g f的生长速率是渐近等于克：克可以是一个下限和和上界的F。 这直接暗示f也可以是g的下界和上界。 所以，
f（x）=Θ（g（x））iff g（x）=Θ（f（x））
同样，为了显示f（n）=Θ（g（n）），它足以表明g是f的上界（即f（n）= O（g（n））），f是下界g（即f（n）=Ω（g（n）），这与g（n）= O（f（n））完全相同）。 简洁，
如果f（x）= O（g（x））且g（x）= O（f（x）），则f（x）=Θ（g
还有一些小欧姆和小欧米茄（ ω ）符号表示函数的宽松上限和下限。
总结：
f(x) = O(g(x)) （big-oh）意味着f(x)的增长率渐近地小于或等于g(x)的增长率。
f(x) = Ω(g(x)) （big-omega）意味着f(x)的增长率渐近地大于或等于g(x)的增长率，
f(x) = o(g(x)) （little-oh）意味着f(x)的增长率渐近地小于g(x)的增长率。
f(x) = ω(g(x)) （little-omega）意味着f(x)的增长率渐近地大于g(x)的增长率，
f(x) = Θ(g(x)) θ表示f(x)的增长率渐近地等于g(x)的增长率，
有关更详细的讨论，您可以阅读维基百科上的定义，或参阅Cormen等人的“算法导论”等经典教科书。
有一个简单的方法（我猜）是要记住哪个符号意味着什么。
所有的大O符号可以被认为有一个酒吧。
当看一个Ω时，该条在底部，所以它是（渐近的）下限。
当看Θ时，酒吧显然在中间。 所以这是一个（渐近的）紧密的界限。
当手写O时，你通常会在顶部完成，并画出一条曲线。 因此O（n）是函数的上界。 公平地说，这个不适用于大多数字体，但它是名称的最初理由。
一个是大“O”
一个是Big Theta
http://en.wikipedia.org/wiki/Big_O_notation
大O意味着你的算法将在不超过给定表达式（n ^ 2）的情况下执行，
大欧米茄意味着你的算法将以比给定表达式（n ^ 2）更少的步骤执行，
当两个条件对于相同的表达式都成立时，您可以使用big theta符号....
链接地址: http://www.djcxy.com/p/6791.html