算法导论课后题和思考题第3章

最新推荐文章于 2024-07-22 00:01:40 发布

原创最新推荐文章于 2024-07-22 00:01:40 发布 · 5.1k 阅读

16 ·

本内容遵循CC 4.0 BY-SA版权协议

学习笔记专栏收录该内容

5 篇文章

订阅专栏

本文详细解答了《算法导论》第三章的课后习题与思考题，涵盖函数渐近性质、算法运行时间分析、数学证明等内容，包括单调递增函数性质、对数和指数的等式证明、斐波那契数列与黄金分割率的关系等重点问题。

一、课后习题

3.1-1 假设 $f(n)$ 与 $g(n)$ 都是渐近非负函数。使用 $\Theta$ 记号的基本定义来证明 $max(f(n),g(n))=\Theta(f(n)+g(n))$

不妨假设 $max(f(n),g(n))=g(n)$ , 要证明 $max(f(n),g(n))=\Theta(f(n)+g(n))$ ，即证明存在正常量 $c_1$ 和 $c_2$ 使得 $c_1(f(n)+g(n))\leqslant g(n)\leqslant c_2(f(n)+g(n))$ ，因此当 $c_1$ =1/2, $c_2$ =1 时，上式成立，得证。

3.1-2 证明：对任意实常量a和b，其中b>0，有 $(n+a)^b=\Theta(n^b)$

要证明 $(n+a)^b=\Theta(n^b)$ ，即证明存在正常量 $c_1$ 和 $c_2$ 使得 $c_1n^b\leqslant (n+a)^b\leqslant c_2n^b$ ，取 $c_1$ =1和 $c_2=(1+a)^b$ 即成立，得证。

3.1-3 解释为什么“算法A的运行时间至少是 $O(n^2)$ ”这一表述是无意义的。

因为 $O(n^2)$ 的含义是函数的紧确上界为 $O(n^2)$ ，说算法A的运行时间至少是 $O(n^2)$ 指出的是下界，因此这一表述是无意义的。

3.1-4 $2^{(n+1)} = O(2^n)$ 成立吗？ $2^{2n}=O(2^n)$ 成立吗？

$2^{(n+1)} = O(2^n)$ 成立

$2^{2n}=O(2^n)$ 不成立，因为不存在 $c_2$ 使得 $(2^n)^2\leqslant c_2*2^n$

3.1-5 证明定理对任意两个函数 $f(n)$ 和 $g(n)$ ，我们有 $f(n)=\Theta(g(n))$ ，当且仅当 $f(n)=O(g(n))$ 且 $f(n)=\Omega(g(n))$

首先证明 $f(n) = \Theta(g(n))$ 可以推出 $f(n)=O(g(n))$ 和 $f(n)=\Omega(g(n))$ ，由于 $f(n) = \Theta(g(n))$ 表示存在正常量 $c_1$ 和 $c_2$ 使得 $0\leqslant c_1g(n)\leqslant f(n)\leqslant c_2g(n)$ ，即 $0\leqslant f(n)\leqslant c_2g(n)$ 和 $0\leqslant c_1g(n)\leqslant f(n)$ 成立，因此 $f(n)=O(g(n))$ 和 $f(n)=\Omega(g(n))$ 成立

其次证明当 $f(n)=O(g(n))$ 和 $f(n)=\Omega(g(n))$ 时， $f(n)=\Theta(g(n))$ ，由于 $f(n)=O(g(n))$ 表示 $0\leqslant f(n)\leqslant c_2g(n)$ ， $f(n)=\Omega(g(n))$ 表示 $0\leqslant c_1g(n)\leqslant f(n)$ ，因此 $0\leqslant c_1g(n)\leqslant f(n)\leqslant c_2g(n)$ ，即 $f(n) = \Theta(g(n))$ ，得证。

3.1-6 证明：一个算法的运行时间为 $\Theta(g(n))$ 当且仅当其最坏情况运行时间为 $O(g(n))$ ，且其最好情况运行时间为 $\Omega(g(n))$

一个算法的运行时间为 $\Theta(g(n))$ ，即表示这个算法的运行时间 $f(n) = \Theta(g(n))$ , 由3.1-5提到的定理可得， $f(n)=O(g(n))$ 并且 $f(n)=\Omega(g(n))$ ，因此该算法的下界（最好情况运行时间）为 $\Omega(g(n))$ ，上界（最坏情况运行时间）为 $O(g(n))$

3.1-7 证明： $o(g(n))\cap \omega(g(n))$ 为空集

根据定义， $o(g(n))$ 代表的集合是 $o(g(n)) = \left \{ f(n):$ 对任意正常量 $c>0$ ，存在常量 $n_0>0$ ，使得对所有 $n\geqslant n_0$ ，有 $0\leqslant f(n)< cg(n) \left. \right \}$

$\omega(g(n))$ 代表的集合是 $\omega(g(n)) = \left \{ f(n):$ 对任意正常量 $c>0$ ，存在常量 $n_0>0$ ，使得对所有 $n\geqslant n_0$ ，有 $0\leqslant cg(n) < f(n)\left. \right \}$

用反证法，假设存在一个函数f(n) 同时满足上述两个条件，即 $0\leqslant f(n)<cg(n)$ 并且 $0\leqslant cg(n)< f(n)$ 同时成立，由于和均为正常量，定义要求对任意正常量c 均满足不等式，因此上述两式引发出矛盾， $cg(n)<f(n)<cg(n)$ ，因此假设不成立，得证。

3.1-8 可以扩展我们的记号到有两个参数n和m的情形，其中的n和m可以按不同速率独立第趋于无穷。对于给定的函数 $g(n,m)$ ，用 $O(g(n,m))$ 来表示以下函数集：

$O(g(n,m)) = \left \{ f(n,m):$ 存在正常量 $c,n_0$ 和 $m_0$ ，使得对于所有 $n\geqslant n_0$ 或 $m\geqslant m_0$ ，有 $0\leqslant f(n,m)\leqslant cg(n,m) \left. \right \}$

对 $\Omega(g(n,m))$ 和 $\Theta(g(n,m))$ 给出相应的定义

$\Omega(g(n,m)) = \left \{ f(n,m):$ 存在正常量 $c,n_0$ 和 $m_0$ ，使得对于所有 $n\geqslant n_0$ 或 $m\geqslant m_0$ ，有 $0\leqslant cg(n,m)\leqslant f(n,m) \left. \right \}$

$\Theta(g(n,m)) = \left \{ f(n,m):$ 存在正常量 $c_1,c_2,n_0$ 和 $m_0$ ，使得对于所有 $n\geqslant n_0$ 或 $m\geqslant m_0$ ，有 $0\leqslant c_1g(n,m)) \leqslant f(n,m)\leqslant c_2g(n,m) \left. \right \}$

3.2-1 证明：若f(n) 和 g(n) 是单调递增的函数，则函数f(n)+g(n) 和 f(g(n)) 也是单调递增的，此外，若f(n) 和 g(n) 是非负的，则f(n) · g(n) 是单调递增的。

由于f(n) 和 g(n) 为单调递增函数，因此对于 $n_1<n_2$ , 有 $f(n_1)<f(n_2)$ 和 $g(n_1)<g(n_2)$ ，将不等式左右分别相加可得 $f(n_1)+g(n_1)< g(n_1)+g(n_2)$ ,因此 $f(n)+g(n)$ 也是单调递增的。

若f(n) 和 g(n) 是非负的，则对于所有的n有 $f(n)\geqslant 0$ 且 $g(n)\geqslant 0$ ，则 $f(n)\cdot g(n)>0$ ，同时 $f(n_1)<f(n_2)$ 和 $g(n_1)<g(n_2)$ ，因此 $f(n_1)\cdot g(n_1)<f(n_2)\cdot g(n_2)$ ，因此 $f(n)\cdot g(n)$ 是单调递增的。

3.2-2 证明等式 $a^{log_bc}=c^{log_ba}$

首先对左右两边分别lg， $log_bclga = log_balgc$

由于 $log_xy=lgy/lgx$ ,因此上式可转为 $\frac{lgc}{lgb}lga=\frac{lga}{lgb}lgc$ ，得证。

3.2-3 证明等式 $lg(n!)=\Theta(nlgn)$ 。并证明 $n!=\omega(2^n), n!=o(n^n)$

1) 证明等式 $lg(n!)=\Theta(nlgn)$ ，即证明存在正常量 $c_1,c_2$ 和 $n_0$ , 使得对所有 $n\geqslant n_0$ ，有 $0\leqslant c_1nlgn\leqslant lg(n!)\leqslant c_2nlgn$ ，

首先证明左边成立，用斯特林公式代替 $n!$ ，即证明存在 $c_1$ ，使得 $0\leqslant c_1nlgn\leqslant lg(\sqrt{2\pi n}( \frac{n}{e})^{n}e^{\alpha _{n}})$

$\because lg(\sqrt{2\pi n}( \frac{n}{e})^{n}e^{\alpha _{n}})-c_1nlgn > lg(\sqrt{2\pi n}( \frac{n}{e})^{n}e^{1/(12n+1)})-c_1nlgn$

所以证明 $0\leqslant c_1nlgn\leqslant lg(\sqrt{2\pi n}( \frac{n}{e})^{n}e^{\alpha _{n}})$ 即证明上式大于0。由于当n=e， $c_1=1/2$ 时，上式大于0，因此只要证明 $lg(\sqrt{2\pi n}( \frac{n}{e})^{n}e^{1/(12n+1)})-c_1nlgn$ 为单调递增函数即可，将 $c_1=1/2$ 带入，并对该式求导可得 $lg(\sqrt{2\pi n}( \frac{n}{e})^{n}e^{1/(12n+1)})-c_1nlgn = ((lnn-1)n(12n+1)^2+144n^2+1)/(2n(12n+1)^2ln2)$

该导数对于n>e 恒大于0，因此 $lg(\sqrt{2\pi n}( \frac{n}{e})^{n}e^{1/(12n+1)})-c_1nlgn$ 为单调递增函数，即对于 $n\geqslant e$ ，存在 $c_1=1/2$ 使得 $0\leqslant c_1nlgn\leqslant lg(\sqrt{2\pi n}( \frac{n}{e})^{n}e^{\alpha _{n}})$ 成立

其次证明右边成立，即证明 $lg(n!)\leqslant c_2nlgn$ ，由于 $lg1+lg2+...+lgn\leqslant \sum_{i=1}^{n}lgn$ ，因此存在 $c_2=1$ 使得 $lg(n!)\leqslant nlgn$ 成立。

结合以上两步可得 $lg(n!)=\Theta(nlgn)$ ，得证。

2）证明 $n!=\omega(2^n)$

$\because \frac{n!}{2^n}=\frac{1*2*3*...*n}{2*2*2*...*2}>1$

$\therefore n!>2^n$

即对任意正常量 $c>0$ ，存在常量 $n_0=4>0$ ，使得对所有 $n\geqslant n_0$ ，有 $0\leqslant c*2^n < n!$ ，因此 $n!=\omega(2^n)$

3）证明 $n!=o(n^n)$

$\because \frac{n!}{n^n}=\frac{1*2*3*...*n}{n*n*n*...*n}<1$

$\therefore n!<n^n$

即对任意正常量 $c>0$ ，存在常量 $n_0=2>0$ ，使得对所有 $n\geqslant n_0$ ，有 $0\leqslant n!< cn^n$ ，因此 $n!=o(n^n)$

3.2-4 函数 $\left \lceil lgn \right \rceil!$ 多项式有界吗？函数 $\left \lceil lglgn \right \rceil!$ 多项式有界吗？

首先，函数f(n)多项式有界表示 $f(n)\leqslant cn^k$ ，两边求对数 $lg(f(n))\leqslant lgc+klgn$ ，即 $lg(f(n)) = O(lgn)$

1） $\left \lceil lgn \right \rceil!$ 不是多项式有界

结合 $lg(n!)=\Theta(nlgn)$ 和 $\left \lceil lgn \right \rceil=\Theta(lgn)$

$lg(\left \lceil lgn \right \rceil!)=\Theta(\left \lceil lgn \right \rceil\,lg\left \lceil lgn \right \rceil)=\Theta(lgnlglgn)=\omega(lgn)\neq O(lgn)$

2) $\left \lceil lglgn \right \rceil!$ 是多项式有界的

$lg(\left \lceil lglgn \right \rceil!)=\Theta(\left \lceil lglgn \right \rceil\,lg\left \lceil lglgn \right \rceil)=\Theta(lglgnlglglgn)=o((lglgn)^2)=o(lg^2(lgn))=o(lgn)$

3.2-5 如下两个函数中，哪一个渐近更大些： $lg(lg^*n)$ 还是 $lg^*(lgn)$ ？

因为 $lg^*(lgn)=lg^*n-1$ , 所以 $lg(lg^*n)$ 渐近更大一点。

3.2-6 证明：黄金分割率 $\o$ 及其共轭数 $\hat{\o }$ 都满足方程 $x^2=x+1$

将 $\o =\frac{1+\sqrt{5}}{2}$ 代入方程， $x^{2} = (\frac{1+\sqrt{5}}{2})^2=\frac{1+2\sqrt{5}+5}{4}=\frac{3+\sqrt{5}}{2}=\frac{1+\sqrt{5}}{2}+1=x+1$

将 $\hat{\o} =\frac{1-\sqrt{5}}{2}$ 代入方程， $x^{2} = (\frac{1-\sqrt{5}}{2})^2=\frac{1-2\sqrt{5}+5}{4}=\frac{3-\sqrt{5}}{2}=\frac{1-\sqrt{5}}{2}+1=x+1$

3.2-7 用归纳法证明：第i个斐波那契数满足等式 $F_i = (\o ^i- \hat{\o }^i)/\sqrt{5}$ ，其中 $\o$ 是黄金分割率且 $\hat{\o }$ 是其共轭数。

当i=0时， $F_0=\frac{1-1}{\sqrt{5}}=0$ 成立，假设当i=k-1和i=k-2时，上式成立，

即 $F_{k-1} = (\o ^{k-1}- \hat{\o }^{k-1})/\sqrt{5}$ ， $F_{k-2} = (\o ^{k-2}- \hat{\o }^{k-2})/\sqrt{5}$ ,

则 $F_{k}=F_{k-2}+F_{k-1}=(\o ^{k-2}- \hat{\o }^{k-2})/\sqrt{5}+(\o ^{k-1}- \hat{\o }^{k-1})/\sqrt{5}$

由于 $(\o ^{k-2}- \hat{\o }^{k-2}+\o ^{k-1}- \hat{\o }^{k-1})/\sqrt{5}=\frac{\o ^{k-2}(\o +1)-\hat{\o} ^{k-2}( \hat{\o}+1)}{\sqrt{5}}=\frac{\o ^k-\hat{\o }^k}{\sqrt{5}}$ ，得证。

3.2-8 证明： $klnk = \Theta(n)$ 蕴含着 $k=\Theta(n/lnn)$

根据对称性，有 $klnk = \Theta(n)$ 蕴含 $n=\Theta(klnk )$

两边取对数， $lnn=\Theta(lnk+lnlnk )=\Theta(lnk)$

上述两式相除可得 $\frac{n}{lnn}=\Theta(k)$ ，再应用一次对称性，可得， $k=\Theta(n/lnn)$ ，得证。

二、思考题

3-1 （多项式的渐近行为）假设 $p(n)=\sum_{i=0}^{d}a_in^i$ 是一个关于n的d次多项式，其中 $a_d>0$ ，k是一个常量。使用渐近记号的定义来证明下面的性质。

a. 若 $k\geqslant d$ ，则 $p(n)=O(n^k)$

b. 若 $k\leqslant d$ ，则 $p(n)=\Omega(n^k)$

c. 若 $k=d$ ，则 $p(n)=\Theta(n^k)$

d. 若 $k>d$ ，则 $p(n)=o(n^k)$

e. 若 $k<d$ ，则 $p(n)=\omega(n^k)$

a) 因为 $k\geqslant d$ , $p(n)=\sum_{i=0}^{d}a_in^i\leqslant d*n^k$ ,即存在c =d>0 使得 $p(n)\leqslant c*n^k$ ,因此 $p(n)=O(n^k)$
b) 因为 $k\leqslant d$ ，因此 $p(n)=\sum_{i=0}^{d}a_in^i \geqslant n^k$ ，即存在c=1>0使得 $p(n)\geqslant n^k$ ,因此从 $p(n)=\Omega(n^k)$
c) 因为 $k=d$ ，因此 $0\leqslant c_1g(n)\leqslant f(n)\leqslant c_2g(n)$ ，该式对于 $c_1=1$ 和 $c_2=a_d+d$ 时成立，因此 $p(n)=\Theta(n^k)$
d) 因为 $k>d$ ，因此 $p(n)=\sum_{i=0}^{d}a_in^i < d*n^k$ ，即存在c=d>0使得 $p(n) < c*n^k$ ，因此 $p(n)=o(n^k)$
e) 因为 $k<d$ ，因此 $p(n)=\sum_{i=0}^{d}a_in^i > n^k$ ，即存在c=1>0使得 $p(n) > n^k$ ，因此 $p(n)=\omega(n^k)$

3-2 （相对渐近增长）为下表中的每对表达式（A,B）指出A是否是B的 $O,o,\Omega,\omega$ 或 $\Theta$ 。假设 $k\geqslant 1,\varepsilon >0$ 且 $c>1$ 均为常量。回答应该以表格的形式，将“是”或“否”写在每个空格中。

A	B	O	o	$\Omega$	$\omega$	$\Theta$
$lg^kn$	$n^\varepsilon$	是	是	否	否	否
$n^k$	$c^n$	是	是	否	否	否
$\sqrt{n}$	$n^{sinn}$	否	否	否	否	否
$2^n$	$2^{n/2}$	否	否	是	是	否
$n^{lgc}$	$c^{lgn}$	是	否	是	否	是
$lg(n!)$	$lg(n^n)$	是	否	是	否	是

3-3 （根据渐近增长率排序）

a. 根据增长的阶来排序下面的函数，即求出满足 $g_1=\Omega(g_2), \,g_2=\Omega(g_3),...,g_{29}=\Omega(g_{30})$ 的函数得到一种排列 $g_1,g_2,...,g_{30}$ 。把你的表划分成等价类，使得函数f(n)和g(n)在相同类中当且仅当 $f(n)=\Theta(g(n))$ 。

*$lg(lg^n)$**	*$2^{lg^n}$**	$(\sqrt{2})^{lgn}$	$n^2$	$n!$	$(lgn)!$
$(\frac{3}{2})^n$	$n^3$	$lg^2n$	$lg(n!)$	$2^{2^n}$	$n^{1/lgn}$
$lnlnn$	*$lg^n$**	$n\cdot 2^n$	$n^{lg\,lgn}$	$lnn$	$1$
$2^{lgn}$	$(lgn)^{lgn}$	$e^n$	$4^{lgn}$	$(n+1)!$	$\sqrt{lgn}$
*$lg^(lgn)$**	$2^{\sqrt{2lgn}}$	$n$	$2^n$	$nlgn$	$2^{2^{(n+1)}}$

b. 给出非负函数f(n)的一个例子，使得对所有在(a)部分中的函数 $g_i(n)$ ，f(n)既不是 $O(g_i(n))$ 也不是 $\Omega(g_i(n))$

a) 排序如下
1. $1$ , $n^{1/lgn}$
2. $lg(lg^*n)$
3. $lg^*(lgn)$
4. $lg^*n$
5. $2^{lg^*n}$
6. $lnlnn$
7. $\sqrt{lgn}$
8. $lnn$
9. $(\sqrt{2})^{lgn}$
10. $2^{\sqrt{2lgn}}$
11. $lg^2n$
12. $n$ ， $2^{lgn}$
13. $nlgn$ ， $lg(n!)$
14. $n^2$ ， $4^{lgn}$
15. $n^{lg\,lgn}$ ， $(lgn)^{lgn}$
16. $n^3$
17. $(\frac{3}{2})^n$
18. $2^n$
19. $n\cdot 2^n$
20. $e^n$
21. $(lgn)!$
22. $n!$
23. $(n+1)!$
24. $2^{2^n}$
25. $2^{2^{(n+1)}}$
b) 只要函数本身处于随着n振荡的状态，且f(n) 的最大值比 $2^{2^{(n+1)}}$ 大即可，因此可以设置 $f(n)=sinn2^{2^{n^2+1}}$

3-4 （渐近记号的性质）假设f(n)和g(n)为渐近正函数。证明或反驳下面的每个猜测。

a. $f(n) = O(g(n))$ 蕴含 $g(n)=O(f(n))$

b. $f(n)+g(n)=\Theta(min(f(n),g(n)))$

c. $f(n) = O(g(n))$ 蕴含 $lg(f(n))=O(lg(g(n)))$ ，其中对所有足够大的n，有 $lg(g(n))\geqslant 1$ 且 $f(n)\geqslant 1$

d. $f(n)=O(g(n))$ 蕴含 $2^{f(n)}=O(2^{g(n)})$

e. $f(n)=O((f(n))^2)$

f. $f(n)=O(g(n))$ 蕴含 $g(n)=\Omega(f(n))$

g. $f(n)=\Theta(f(n/2))$

h. $f(n)+o(f(n))=\Theta(f(n))$

a) 不成立。因为 $f(n) = O(g(n))$ 即 $f(n)\leqslant c_1g(n)$ ，且 $c_1> 0$ ，推不出 $g(n)\leqslant {c_1}'f(n)$ ，其中 ${c_1}'> 0$
b) 不成立。因为假设 $min(f(n),g(n))=f(n)$ ,则不存在 $c_2>0$ ，使得 $f(n)+g(n)\leqslant c_2f(n)$
c) 成立。因为 $f(n) = O(g(n))$ 表示存在 $c_1> 0$ 使得 $f(n)\leqslant c_1g(n)$ ，两边取对数即 $lg(f(n))\leqslant lgc_1+lg( g(n))\leqslant {c_1}'lg(g(n))$ , 只要 ${c_1}'> 1$ 上式即成立，因此 $lg(f(n))=O(lg(g(n)))$
d) 成立。因为要证明 $2^{f(n)}=O(2^{g(n)})$ 即证明存在 ${c_1}',c_1> 0$ 使得 $2^{f(n)}\leqslant c_12^{g(n)}$ ，两边取对数 $f(n)\leqslant lgc_1+g(n)\leqslant {c_1}'g(n)$ ，由于 $f(n) = O(g(n))$ ，因此上式成立。
e) 不成立。假设 $f(n)=1/n$ 即不存在 $f(n)=O((f(n))^2)$
f) 成立。因为 $f(n)=O(g(n))$ ，即表示存在 $c_1> 0$ 使得 $f(n)\leqslant c_1g(n)$ ，因此 $1/c_1f(n)\leqslant g(n)$ , 所以 $g(n)=\Omega(f(n))$
g) 不成立。假设 $f(n)=2^n$ ，则不存在 $c_1,c_2> 0$ 使得 $c_12^{n/2}\leqslant 2^n\leqslant c_22^{n/2}$
h) 成立。假设 $g(n)=of(n)<c_1f(n)$ ，因此 $c_1f(n)\leqslant f(n)+o(f(n))=f(n)+g(n)\leqslant ( c_1+1)f(n)$ 即存在 $c_1 = c_1, c_2=c_1+1$ 使得 $c_1f(n)\leqslant f(n)+o(f(n))\leqslant c_2f(n)$ ，因此 $f(n)+o(f(n))=\Theta(f(n))$

3-5 （ $O$ 与 $\Omega$ 的一些变形）某些作者用一种与我们稍微不同的方式来定义 $\Omega$ ；假设我们使用 $\overset{\infty}{\Omega}$ （读作“ $\Omega$ 无穷”）来表示这种可选的定义。若存在正常量c，使得对无穷多个整数n，有 $f(n)\geqslant cg(n)\geqslant 0$ ，则称 $f(n)=\overset{\infty}{\Omega}(g(n))$

a. 证明：对渐近非负的任意两个函数f(n)和g(n)，或者 $f(n)=O(g(n))$ 或者 $f(n)=\overset{\infty}{\Omega}(g(n))$ 或者二者均成立，然而，如果使用 $\Omega$ 来代替 $\overset{\infty}{\Omega}$ ，那么该命题并不为真

b. 描述用 $\overset{\infty}{\Omega}$ 代替 $\Omega$ 来刻画程序运行时间的潜在优点与缺点。

某些作者也用一种稍微不同的方式来定义 $O$ ，假设使用 ${O}'$ 来表示这种可选的定义。我们称 $f(n)={O}'(g(n))$ 当且仅当 $\left | f(n) \right |=O(g(n))$

c. 如果使用 ${O}'$ 代替 $O$ 但仍然使用 $\Omega$ ，定理3.1中的“当且仅当”的每个方向将出现什么情况？

有些作者定义 $\tilde{O}$ （读作“软 $O$ ”）来意指忽略对数因子的 $O$ :

$\tilde{O}(g(n))={f(n):$ 存在正常量 $c,k$ 和 $n_0$ ，使得对所有 $n\geqslant n_0$ ，有 $0\leqslant f(n)\leqslant cg(n)lg^k(n)\left. \right \}$

d. 用一种类似的方式定义 $\tilde{\Omega}$ 和 $\tilde{\Theta}$ 。证明与定理3.1相对应的类似结论。

a) 首先证明对于 $0\leqslant cg(n)\leqslant f(n)$ ，只可能对无限个n，有限个n或者0个n成立，即只可能存在 $f(n)=\overset{\infty}{\Omega}(g(n))$ ， $f(n)=O(g(n))$ 或者二者均成立。如果使用 $\Omega$ 来代替 $\overset{\infty}{\Omega}$ ，假设 $f(n)=n,g(n)=n^{sinn}$ ,该式对于 $\overset{\infty}{\Omega}$ 成立，但是并不满足当 $n\geqslant n_0$ 时， $n\geqslant c_1n^{sinn}$ ，即 $\Omega$ 不成立。
b) 优点：这个界相较于 $\Omega$ 更为宽松。缺点：不是紧确的渐近下界，实际意义不大。
c) 当且仅当会变为蕴含，即 $f(n)=\Theta(g(n))\rightarrow f(n)={O}'(g(n))$ ，但是反向推不出来。
d) $\tilde{\Omega}$ 的定义为： $\tilde{\Omega}(g(n))={f(n):$ 存在正常量 $c,k$ 和 $n_0$ ，使得对所有 $n\geqslant n_0$ ，有 $0\leqslant cg(n)lg^{-k}(n)\leqslant f(n) \left. \right \}$ $\tilde{\Theta}$ 的定义为： $\tilde{\Theta}(g(n))={f(n):$ 存在正常量 $c_1,k_1,c_2,k_2$ 和 $n_0$ ，使得对所有 $n\geqslant n_0$ ，有 $0\leqslant c_1g(n)lg^{-k_1}(n)\leqslant f(n)\leqslant c_2g(n)lg^{k_2}(n) \left. \right \}$

3-6 （多重函数）我们可以把用于函数 $lg^*$ 中的重复操作符 $*$ 应用于实数集上的任意单调递增函数f(n)。对给定的常量 $c\in R$ ，我们定义多重函数 $f_c^*$ 为 $f_c^*(n)=min\left \{ i\geqslant 0:f^{(i)}(n)\leqslant c\left. \right \} \right.$

该函数不必在所有情况下都为良定义的。换句话说，值 $f^*_c(n)$ 是为缩小其参数到c或更小所需要函数f重复应用的数目。

对如下每个函数f(n)和常量c，给出 $f^*_c(n)$ 的一个尽量紧确的界。

$f(n)$	$c$	*$f_c^(n)$**
$n-1$	0	$\Theta(n)$
$lgn$	1	*$\Theta(lg^n)$**
$n/2$	1	$\Theta(lgn)$
$n/2$	2	$\Theta(lgn)$
$\sqrt{n}$	2	$\Theta(lglg(n))$
$\sqrt{n}$	1	does not converge
$n^{1/3}$	2	$\Theta(log_3(lgn))$
$n/lgn$	2	$\omega(lglgn) ,o(lgn)$