2) Long-time behavior
长时间渐近行为
3) large time asymp-totics
长时间渐近表示
4) Asymptotic growthing-up
渐近增长性
5) asymptotic time complexity
渐近时间复杂度
1.
Analyse relations between asymptotic time complexity and increment series,search after and choice may as well increment series to make the asymptotic time complexity reach nearly best.
通过研究希尔排序算法的机制,以不同增量序列对一些规模较大的待排序列进行试验,分析其时间复杂度与增量序列的关系,探索具有最优渐近时间复杂度时的增量序列及其选择方法。
2.
In order to explore the excellent step series to make the asymptotic time complexity nearly best and there choice method, we well make a lot of experiments anout the record list on a large scale by different step series, and do some studies on the research relations between asymptotic time complexity and step series of shell s method.
为探索具有最优渐近时间复杂度的步长序列及其选择方法,以不同步长序列对一些规模较大的待排序列进行试验,研究了Shell排序的时间复杂度与步长序列的关系。
6) the large time behavior
大时间渐近行为
补充资料：渐近等分性
随机变量长序列的一种重要特性，是编码定理的理论基础，简称AEP。当随机变量的序列足够长时,其中一部分序列就显现出一种典型的性质：这些序列中各个符号的出现频数非常接近于各自的出现概率，而这些序列的概率则趋近于相等，且它们的和非常接近于1,这些序列就称为典型序列。其余的非典型序列的出现概率之和接近于零。序列的长度越长，典型序列的总概率越接近于1,它的各个序列的出现概率越趋于相等。渐近等分性即因此得名。
C.E.仙农最早发现随机变量长序列的渐近等分性，并在1948年发表的论文《通信的数学理论》中把它表述为一个定理。后来，B.麦克米伦在1953年发表的《信息论的基本定理》一文中严格地证明了这一结果,因此,有人也把它称为麦克米伦定理。
渐近等分性有许多不同的具体形式，但一般地可以表述如下：若X是一个符号表，共有M个不同的符号x1,x2，...,xM ,它们的出现概率分别是p1，p2，...，pM 。对X进行N次独立的选择,于是得到一个长度为N的符号序列;总共有MN个长度为N的不同序列。可以证明,对于给定的两个任意小的数ε＞0和δ＞0，一定可以找到一个正整数N0(它是X,ε和δ的某种函数)，使所有长度为N≥N0的序列可划分为以下两组。第一组包含Aε＜MN个序列，其中各个序列都具有几乎相等的出现概率p，且有
1－ε＜p·Aε＜1
和
式中H是X的符号熵。实际上,当N充分大时,Aε=2NH。第二组包含其余的MN-Aε个序列，它们的出现概率之和小于ε。显然第一组包含的是典型序列,第二组包含的是非典型序列。在各个符号的概率不相等的情况下，序列长度N越大,则Aε与MN的差别越大,而p·Aε与1的差别越小，-logp/N与H的差别也越小。
渐近等分性的意义在于：对于任意取有限个值的随机变量X,当用N次独立选择的方法来形成编码序列时,只要N 取得足够大，就可以只考虑其中Aε个典型序列，而其余所有的非典型序列均可以忽略。
C.E.仙农最早发现随机变量长序列的渐近等分性，并在1948年发表的论文《通信的数学理论》中把它表述为一个定理。后来，B.麦克米伦在1953年发表的《信息论的基本定理》一文中严格地证明了这一结果,因此,有人也把它称为麦克米伦定理。
渐近等分性有许多不同的具体形式，但一般地可以表述如下：若X是一个符号表，共有M个不同的符号x1,x2，...,xM ,它们的出现概率分别是p1，p2，...，pM 。对X进行N次独立的选择,于是得到一个长度为N的符号序列;总共有MN个长度为N的不同序列。可以证明,对于给定的两个任意小的数ε＞0和δ＞0，一定可以找到一个正整数N0(它是X,ε和δ的某种函数)，使所有长度为N≥N0的序列可划分为以下两组。第一组包含Aε＜MN个序列，其中各个序列都具有几乎相等的出现概率p，且有
1－ε＜p·Aε＜1
和
式中H是X的符号熵。实际上,当N充分大时,Aε=2NH。第二组包含其余的MN-Aε个序列，它们的出现概率之和小于ε。显然第一组包含的是典型序列,第二组包含的是非典型序列。在各个符号的概率不相等的情况下，序列长度N越大,则Aε与MN的差别越大,而p·Aε与1的差别越小，-logp/N与H的差别也越小。
渐近等分性的意义在于：对于任意取有限个值的随机变量X,当用N次独立选择的方法来形成编码序列时,只要N 取得足够大，就可以只考虑其中Aε个典型序列，而其余所有的非典型序列均可以忽略。
说明：补充资料仅用于学习参考，请勿用于其它任何用途。
参考词条