Algorithm 多参数法的大O分析

我们在计算机科学导论课上学习效率分析，我在解决这个问题上遇到了困难

假设我有一个方法：

public static void foo(int[][] arr, int num1, int num2) {
   for (int i=0;i<arr.length;i++) {
     arr[0][i] = num1*i;
   }

   for (int j=0;j<arr.length;j++) {
     arr[i][0] = num2*i
   } 
}

publicstaticvoidfoo（int[]arr，int num1，int num2）{
对于（int i=0；i你看程序做什么，然后根据你的输入计算将执行多少原始操作。有时计算简单，有时困难。通常涉及数学。数学很难。生活很艰难

在第一个示例中，您是否可以计算出有多少分配给arr[0][i]和多少分配给arr[j][0]

在第二个示例中，如果num1*Math.random（）为0，while循环执行的频率是多少？（答案可能是该代码中存在错误的迹象）。
在第一个示例中，如果有3个非嵌套for循环（或任何类型的循环），则它将是O（x+y+z），其中x、y和z是每个for循环的重复次数（假设内部时间恒定）。但是，只有当我们不知道哪个数最大时，这个加号才重要。例如，如果我们知道x>y和x>z，我们可以简单地说算法是O（x）（换句话说，我们知道它与x+y+z呈线性关系，但如果我们不知道x、y和z中哪一个是最重要的因子，那么我们不能简单地说O（x）。简单地说，nested=multiply，not nested=add

在第二个例子中，涉及到随机数。正如irrelephant在下面的评论中所说的，非正式地说，在你提供的例子中是O（无穷大）（然而，我将假设你的意思是当num2！=0时
，因为如果num2=0，另一个将无限循环，否则什么也不做）.然而，大O是最坏的情况。对于随机数，简单地计算平均时间复杂度是最容易的。时间复杂度的好处是，如果你计算的比实际情况稍微差一点，没有人在乎

TLDR：平均时间复杂度约为1000+log_2n，其中n为num2

注意：虽然我们通常不在时间复杂度计算中包含常量因子，但当它们变得足够大时，例如1000，它们可能会成为最重要的因子，特别是当n您的第一个方法可能无法编译时。
arr[i][0]=num2*i
应该是
arr[j][0]=num2*j
。你的第二个方法也不编译——你应该将double转换为int——如果
num1
或
num2
为0，它将无限循环。对不起，我实际上很快就写了这些，只是为了给你一个想法，因为根据我的大学，我不允许在网上发布我的实际作业。我很好如果你有
num2==0
它应该是
num2！=0
这可能对未来的任何人都有帮助。第二个例子是（非正式地）
O(∞)。
public static void fee(int[][] arr, double num1, double num2) {
  num1=num1*Math.random();
  while (num1 == 0) {
    num1=num1*Math.random();
  }
   for (int i=0;i<num1;i++) {
     //do something with arr
   }

  num2=num2*Math.random();
  while (num2 == 0) {
    num2=num2*Math.random();
  }
   for (int j=0;j<num2;j++) {
     //do something with arr
   } 
}