Algorithm Big-O中的时间复杂性

这个算法的BigO时间是多少

Input: Array A sorting n>=1 integers
Output: The sum of the elements at even cells in A
s=A[0]
for i=2 to n-1 by increments of 2
{
s=s+A[i]
}
return s

---

我认为这个方程的函数是F（n）=n*上限（n/2），但如何将其转换为bigO呢？这是一个O（n）算法，因为你看~n/2个元素。

这是一个O（n）算法，因为你看~n/2个元素。

该算法的时间复杂度将是

O（n）

，因为它所做的工作量随着输入的大小线性增长。另一种方法是在输入上循环一次——忽略这样一个事实，即它只查看一半的值，这与Big-O复杂度无关）。

该算法的时间复杂度将是

O（n）

，因为它所做的工作量随输入的大小线性增长。另一种看待它的方式是在输入上循环一次——忽略这样一个事实，即它只查看一半的值，这与Big-O的复杂性无关）。

操作的数量与

n*上限（n/2）

不成正比，而是

n/2

，即

O（n）

。由于big-O（包括任意系数的概念）的含义，

O（n）

和

O（n/2）

是绝对等效的-因此它总是写为

O（n）

操作的数量与

n*上限（n/2）

成正比，而是

n/2

，即

O（n）

。由于big-O（包括任意系数的概念）的含义，

O（n）

和

O（n/2）

是绝对等效的-因此它总是写为

O（n）

如果数组中有n个元素，那么您的算法将进行n/2次迭代。每次迭代都需要固定的时间来完成。这给了我们O（N）复杂性，这就是原因

---

通常，算法的运行时间是数据大小的函数f（x）。说f（x）是O（g（x））意味着存在一些常数c，因此对于x f（x）的所有足够大的值，如果数组中有N个元素，那么您的算法将进行N/2次迭代。每次迭代都需要固定的时间来完成。这给了我们O（N）复杂性，这就是原因

---

通常，算法的运行时间是数据大小的函数f（x）。说f（x）是O（g（x））意味着存在一些常数c，对于x f（x）的所有足够大的值，以一种形式获得精确的运算次数和算法的增长顺序：

---

获取准确操作数和算法增长顺序的正式方式：

---

为什么你认为它是

n*天花板（n/2）

？为什么你认为它是

n*天花板（n/2）

？