以此为参考 答案，Theta（紧束缚）是什么？
Omega是下限，很容易理解，算法可能需要最少的时间。我们知道Big-O是上限，这意味着算法可能花费的最长时间。但是我对Theta一无所知。
以此为参考 答案，Theta（紧束缚）是什么？
Omega是下限，很容易理解，算法可能需要最少的时间。我们知道Big-O是上限，这意味着算法可能花费的最长时间。但是我对Theta一无所知。
Answers:
大O是上限，而Omega是下限。Theta同时需要Big O和Omega，这就是为什么它被称为紧密绑定（必须同时是上下边界）的原因。
例如，一个算法Omega(n log n)花费至少n log n时间，但是没有上限。采用算法Theta(n log n)是非常优先的，因为它至少 需要n log n（Omega n log n）且不超过 n log n（Big O n log n）。
Θ表示法（theta表示法）称为紧密绑定法，因为它比O表示法和Ω表示法更精确（Ω表示法）。
如果我很懒，我可以说在排序数组上的二进制搜索为O（n 2），O（n 3）和O（2 n），并且在每种情况下我在技术上都是正确的。这是因为O表示法仅指定了一个上限，而二进制搜索在所有这些函数的高端都受到了限制，但并不是非常紧密。这些懒惰的估计将毫无用处。
Θ表示法通过组合 O表示法和Ω表示法解决了这个问题。如果我说二进制搜索为Θ（log n），那将为您提供更精确的信息。它会告诉你，该算法是上界都通过给定函数两侧，所以它永远不会是显著比规定快或慢。
If I were lazy, I could say that binary search on a sorted array is O(n2), O(n3), and O(2n), and I would be technically correct in every case-似乎计算机世界中的大多数人都是懒惰的，因为每个人都只谈论Big O的复杂性。
If I were lazy, I could say that binary search on a sorted array is O(n2), O(n3), and O(2n), and I would be technically correct in every case如果有人对此感到困惑：对于那种不是渐近严格的小o表示法的函数。示例：-边界2n ^ 2 = O（n ^ 2）渐近紧，但边界2n = O（n ^ 2）并非渐近。了解更多：stackoverflow.com/questions/1364444/...
如果您有 O（f（n））表示存在k，g（n）使得f（n） ≤kg （n）。
如果您有 Ω（f（n））表示存在k，g（n）使得f（n） ≥kg （n）。
并且如果您有一个O（f（n）） 和 Ω（f（n））的东西，那就是Θ（f（n）。
在维基百科的文章是体面的，如果有点密集。
g而不是f，其余的都可以保留。第二行也是如此：应该是“如果您有Ω（g（n））”。你能再检查一遍吗？
渐近上限意味着给定算法在最大时间内执行，具体取决于输入的数量。
让我们以排序算法为例。如果数组的所有元素都按降序排列，则要对其进行排序，将需要运行时间为O(n)，这显示出上限的复杂性。如果数组已经排序，则值为O(1)。
通常，O-notation用于上限复杂度。
渐近紧边界（c 1 g（n）≤f（n）≤c 2 g（n））显示函数的平均边界复杂度，其值在边界限制（上限和下限）之间，其中c 1和c 2是常数。
这里的最小时间和最大时间这两个短语有点误导。当我们谈论大的O表示法时，这不是我们感兴趣的实际时间，而是当我们的输入大小变大时，时间如何增加。通常是我们所说的平均时间或最坏情况，而不是最佳情况，这是，这通常对解决我们的问题没有意义。
以在另一个问题的可接受答案中的数组搜索为例。在大小为n的列表中找到特定数字所需的时间平均为n / 2 * some_constant。如果将其视为函数f(n) = n/2*some_constant，g(n) = n则按Charlie给出的意义，它的增加不会比快。而且，它的增加不会比g(n)这两者都要慢。因此，g(n)实际上f(n)在Big-O表示法中它既是上限又是下限，因此线性搜索的复杂度正好是 n，意味着它是Theta（n）。
在这方面，对另一个问题的公认答案中的解释并不完全正确，它声称O（n）是上限，因为对于某些输入该算法可以在恒定时间内运行（这是我上面提到的最佳情况，这并不是我们真正想知道的运行时间）。
确切地说，下界或$ \ omega $ bfon f（n）表示渐近小于或等于f（n）的函数集，即对于所有$`un≥n，U g（n）≤cf（n）$ \ '对于某些c，n'$ \ in $ $ \ Bbb {N} $
f（n）的上限或$ \ mathit {O} $表示渐近大于或等于f（n）的函数集，从数学上讲，
$ g（n）\ ge cf（n）\对于所有n \ ge n'$，对于某些c，n'$ \ in $ $ \ Bbb {N} $。
现在$ \ Theta $是上面写的两个的交集
$\theta $
就像算法就像“正好是$ \ Omega \ left（f（n）\ right $”）一样，最好说是$ \ Theta \ left（f（n）\ right）$。
或者，我们也可以说它给了我们实际速度，而$
\omega $给了我们最低限度。
之间的基本区别
块引用
渐近上限和渐近紧密Asym.upperbound表示一个给定的算法，可以根据输入的数量以最大的时间执行该算法，例如，在对算法进行排序时，如果所有数组（n）个元素都按降序排列，则对其进行升序将花费O（n）的运行时间来显示上限复杂度，但是如果已对它们进行排序，则将花费ohm（1）。因此，对于上限复杂度，我们通常使用“ O”符号。
不对称 紧边界显示for，例如（c1g（n）<= f（n）<= c2g（n））显示紧边界限制，以使函数的值介于两个边界之间（上限和下限），从而给出一般情况。