Big o 您如何发现代码片段的算法复杂性？

我不知道这是什么程序。我如何看待这一点，如何确定大O将是什么？解决问题的过程是什么

例1：

for ( i = 1; i <= n; i++)
  for (j = 1; j <= n*3; j++)
    System.out.println("Apple");

---

对于（i=1；i简单的回答是计算循环。如果没有循环，它是O常数，如果有一个，它是O（N），如果有两个嵌套循环，它是O（N平方），如果有三个，它是O（N立方）

然而，这只是一个简短的答案。你也可以有循环，每次迭代时将输入减少一半，这是对数N项。你可以有病态的蛮力函数，尝试各种可能性，这些函数都是非多项式的。通常它们被大量使用递归来编写，而且问题在每次迭代中都很难解决递归步骤

请注意，库函数通常不是O常量，必须考虑到这一点。
Big-O度量效率。因此，假设您要循环一个大小为n的数组，并假设n为2000。O（n）这意味着您解决此问题的算法正在进行最坏情况下的2000总计计算。O始终是您算法的最坏情况。最佳情况下使用了其他符号。您还有Ω（n）和Θ（n）

查看以下内容，了解效率的差异：

非正式地：

“T（n）T（n）T（n）是O（f（n））O（f（n））O（f（n））”基本上意味着f（n）f（n）f（n）f（n）n）描述T（n）T（n）的上界

“T（n）T（n）T（n）是Ω（f（n））\Omega（f（n））Ω（f（n））”基本上意味着f（n）f（n）f（n）f（n）n）描述T（n）T（n）的下限

“T（n）T（n）T（n）是Θ（f（n））\Theta（f（n））Θ（f（n））”基本上意味着f（n）f（n）f（n）f（n）n描述了T（n）T（n）的精确界

对于简单的情况，一个很好的方法是插入几个简单的数字来表示n，看看会发生什么。因此，假设n的大小为10：

在示例1中：

for ( i = 1; i <= n; i++) //loop through this n times
  for (j = 1; j <= n*3; j++) for each of those n times, loop through 3*n times
    System.out.println("Apple"); //negligible time (O(1))

（i=1；i）的

for ( i = 1; i <= n; i++) //loop through this n times
  for (j = 1; j <= n*3; j++) for each of those n times, loop through 3*n times
    System.out.println("Apple"); //negligible time (O(1))