Algorithm 我的算法的最佳情况是n=1，因为这是最快的？对吗？
最佳情况定义为大小为n的所有输入中，哪个输入最便宜。 “我的算法的最佳情况是n=1，因为这是最快的。”？是对还是错？如果我输入N的大小很大，这意味着需要额外的时间。如果我输入较小的N值，这意味着它将花费更少的时间？那么，这意味着我们依赖于投入的规模。。？而且，如果我给N大小的数组输入任意数字（比如45）进行搜索，并且在最后找到元素，这也意味着最坏的情况？（但N从何而来？它已经固定了吗？） 我对这一切感到困惑？如果我考虑这两种情况。意思是Algorithm 我的算法的最佳情况是n=1，因为这是最快的？对吗？,algorithm,time-complexity,big-o,Algorithm,Time Complexity,Big O,最佳情况定义为大小为n的所有输入中，哪个输入最便宜。 “我的算法的最佳情况是n=1，因为这是最快的。”？是对还是错？如果我输入N的大小很大，这意味着需要额外的时间。如果我输入较小的N值，这意味着它将花费更少的时间？那么，这意味着我们依赖于投入的规模。。？而且，如果我给N大小的数组输入任意数字（比如45）进行搜索，并且在最后找到元素，这也意味着最坏的情况？（但N从何而来？它已经固定了吗？） 我对这一切感到困惑？如果我考虑这两种情况。意思是 我们将修正数组的大小，比如N，我制作了一个由N个项目组成的
我说得对吗 当某物为O（n）时，这意味着预期时间与输入中的元素数量成正比。这意味着，如果您将输入加倍，那么您的预期工作时间就会加倍。一个例子是逐个元素遍历数组元素，直到找到结果。或者添加数组的所有元素 O（1）表示无论输入量如何，函数将花费相同的时间。在散列中查找值时会看到这一点。它是一个索引查找，因此不必遍历每个元素 类似于O（n^2）的意思是努力与所涉及的元素数量的平方成正比。当运行所有元素组合时，您将看到这一点。因此，一个10的数组将为一个具有2个参数的函数提供100个不同的可能输入
搜索有序数组可能在O（log（n））中完成，因为您可以猜测一个元素，然后消除一半，而不必搜索它们。当某个元素为O（n）时，这意味着预期时间与输入中的元素数成正比。这意味着，如果您将输入加倍，那么您的预期工作时间就会加倍。一个例子是逐个元素遍历数组元素，直到找到结果。或者添加数组的所有元素 O（1）表示无论输入量如何，函数将花费相同的时间。在散列中查找值时会看到这一点。它是一个索引查找，因此不必遍历每个元素 类似于O（n^2）的意思是努力与所涉及的元素数量的平方成正比。当运行所有元素组合时，您将看到这一点。因此，一个10的数组将为一个具有2个参数的函数提供100个不同的可能输入
搜索有序数组可能在O（log（n））中完成，因为您可以猜测一个元素，然后消除一半，而不必搜索它们。这取决于您的算法。例如，如果我想在数组中使用一个元素，不管大小如何，都需要相同的时间。因为这是花时间。但是，如果要使用需要O（N）时间的算法： 阵列越大，算法运行越慢。 有一种情况是这样的
SomeBoredPseudocode(A)
if(A.size()>100)
error "oops, I don't need such a big array"
i=100;
if i==A.size()
exit
else
i=i-1
这个需要O（100-N）时间。这取决于您的算法。例如，如果我想在数组中使用一个元素，不管大小如何，都需要相同的时间。因为这是花时间。但是，如果要使用需要O（N）时间的算法： 阵列越大，算法运行越慢。 有一种情况是这样的
SomeBoredPseudocode(A)
if(A.size()>100)
error "oops, I don't need such a big array"
i=100;
if i==A.size()
exit
else
i=i-1
这个需要O（100-N）的时间。N是固定的，您不能将其设置为1:“是所有大小为N的输入中最便宜的”。最佳情况和最坏情况仅取决于输入的类型，输入的大小必须为n
例如，如果在n个元素之间进行线性搜索，最好的情况是在第一次尝试时立即找到它，最坏的情况是必须查看所有n个元素。n是固定的，不能将其设置为1：“在大小为n的所有输入中最便宜”。最佳情况和最坏情况仅取决于输入的类型，输入的大小必须为n
例如，如果在n个元素之间进行线性搜索，最好的情况是第一次尝试就立即找到它，最坏的情况是必须查看所有n个元素。问题是，这里的case不是输入的数量。当然，若您对一个元素进行排序，那个么它将是最好的。如果在一个元素列表中搜索，则搜索速度会更快。我们概括了这个概念，记住输入是
n- 最佳情况：需要最快时间完成的情况，条件和输入都是完美的，如算法所预期的最佳
- 最坏情况：当输入是这样的情况，我们将运行到一个更高的时间
- 平均情况：算法在不同的输入上运行多次（并不是说它们的大小会不同——不会。大小固定在
）。然后我们将计算所有运行时间的平均值。取所有输入（该给定大小的n
）的平均值，用概率分布加权n
O（nlongn）O（n^2）O（nlogn）