我想了解更多关于 Big-O 的信息，并找到了这条信息：
'如果f(x) = O(g(x)) f(x)的增长率渐近地小于或等于g(x)的增长率
在这种情况下，渐近意味着什么？ 另外，我有点难以理解为什么Big-Theta不依赖于我们使用的计算机？ 有谁可以提供关于这两个问题的更多信息？
答案 0 :(得分：4)
在此上下文中，“渐近地”一词指的是“随着x变为无穷大”。当有人说“f（x）渐渐渐渐慢于g（x）时，”它们意味着对于非常大的x值，函数g（x）将比函数f（x）增长得更快。这意味着对于足够大的x，只要f（x）≥1且g（x）≥1，g（x）的值总是最终大于函数f（x）。
关于这个问题：
我也很难理解为什么Big-Theta不依赖于我们使用的计算机？
虽然在CS中广泛使用O，Θ和Ω符号来描述运行时，但实际上并不是它们的意思。从技术上讲，这种表示法用于量化函数的增长率，而不管这些函数的实际含义是什么。例如，你会在Stirling's approximation中找到在离散数学中使用的大O符号，它估计ln n！ as n ln n - n + O（log n），其中O（log n）表示“某个函数，其增长率为O（log n）”。在CS中，当我们说算法是O（n）时，真正意味着“描述该函数的运行时的函数是O（n）”。更准确地说，您会看到类似“算法的运行时为O（n）”或“算法需要时间O（n）”的表达式，突出显示大O符号用于描述算法的运行时而不是比算法本身。从这个意义上说，对你的问题“为什么不是Θ符号取决于计算机？”的答案有一个答案。是“Θ符号只是量化函数的增长率而与计算机无关。”
从另一个意义上说，特定计算机无关紧要的原因是Θ表示法是关于渐近运行时，而不是绝对运行时。如果算法具有运行时Θ（n），则意味着算法的运行时缩放为某个线性函数。该算法的运行时作为输入的大小实际上可能是100n + 137或20,000,000n-15，因为重要的是这些运行时增长的方式，而不是运行时本身。如果您在不同的计算机上运行相同的代码，则可能需要更多或更少的时间来运行，具体取决于所选的计算机，但几乎可以肯定它不会从线性扩展到二次缩放。这意味着渐近，运行时是相同的，但绝对运行时可能会非常不同。
希望这有帮助！