Fatal编程技术网
  • big-o/
  • Big o 试图理解大oh符号

Big o 试图理解大oh符号

big-o

Big o 试图理解大oh符号,big-o,Big O,您好，我非常感谢您对Big-O表示法的帮助。明天我有一个考试，虽然我可以定义f（x）是什么，但我不能说我完全理解它 下面的问题总是在考试中出现，我真的需要试着找出答案，第一部分看起来很简单（我想）你是不是只是给n取一个值，在计算器上计算，然后把它们排列好？这似乎很容易，所以我不确定。我发现很难在网上找到例子 从最低到最高，最重要的是什么 正确的复杂性顺序 O（n2），O（log2n），O（1），O（2n），O（n！）， O（n log2 n） 问题是什么 最坏情况下的计算复杂度 计算机上的二进制

您好，我非常感谢您对Big-O表示法的帮助。明天我有一个考试，虽然我可以定义f（x）是什么，但我不能说我完全理解它

下面的问题总是在考试中出现，我真的需要试着找出答案，第一部分看起来很简单（我想）你是不是只是给n取一个值，在计算器上计算，然后把它们排列好？这似乎很容易，所以我不确定。我发现很难在网上找到例子

从最低到最高，最重要的是什么 正确的复杂性顺序 O（n2），O（log2n），O（1），O（2n），O（n！）， O（n log2 n）

问题是什么 最坏情况下的计算复杂度 计算机上的二进制搜索算法 长度n=2k的有序列表

从最低到最高，最重要的是什么 正确的复杂性顺序 O（n2），O（log2n），O（1），O（2n），O（n！）， O（n log2 n）

顺序就像你在无穷远处比较它们的极限一样。就像
lim（a/b）
，如果它是1，那么它们是相同的，inf.或0表示其中一个更快

最坏的情况是什么 二进制编码的计算复杂性 一种有序表上的搜索算法 长度n=2k

  • 查找二进制搜索最佳/最差的大O
  • 按索引“最佳/最差的大O”查找链表访问
  • 下结论
    • 非常粗略地说，您可以想象选取非常大的n值，然后计算它们。但是，可能会超出计算器的大阶乘范围

    如果定义不清楚，更直观的描述是“高阶”意味着“随着n的增长，增长速度比”。一些经验法则：

    • 如果a>b，则O（n^a）的阶比O（n^b）的阶高
    • log（n）的增长速度比n的任何正幂都慢
    • exp（n）的增长速度比n的任何幂都快
    • n！增长速度快于经验值（kn）
    哦，至于复杂性，忽略常数乘数

    这足以推断出正确的顺序是O（1），O（logn），O（2n）=O（n），O（n logn），O（n^2），O（n！）

    对于大O复杂度，规则是如果两个事物仅以常数因子变化，那么它们是相同的。如果忽略常数因子，一个比另一个增长更快，那么它就更大

    所以O（2n）和O（n）是一样的——它们只随常数因子（2）变化。考虑这个问题的一种方法是删除常量，因为它们不会影响复杂性

    选择n并使用计算器的另一个问题是，它会为某些n给出错误的答案。大O是一个衡量事物随着n的增加增长速度的指标，但在任何给定的n下，复杂性的顺序可能不正确。例如，在n=2时，n^2是4，n！是2，但是n！增长速度比n^2快很多

    这一点很重要，因为对于具有多个项的运行时间，可以去掉较小的项——也就是说，如果O（f（n））是3n^2+2n+5，可以去掉5（常数），去掉2n（3n^2增长更快），然后去掉3（常数因子）得到O（n^2）。。。但是如果你不知道n^2更大，你就不会得到正确的答案

    实际上，你可以知道n是线性的，log（n）的增长比线性的慢，n^a>n^b如果a>b，2^n比任何n^a和n都快！比那还要快。（提示：尽量避免指数中有n的算法，尤其是避免指数中有n的算法！）

    对于问题的第二部分，在最坏的情况下，二进制搜索会发生什么？在每一步中，你都会将空间切成两半，直到最终找到你的物品（或者找不到地方）。这就是log2（2k）。在搜索中，您只需遍历列表即可找到您的项目，这需要n个步骤。从第一部分我们知道O（log（n））
    祝你考试顺利

    用易于理解的术语，Big-O表示法定义了特定函数的增长速度。虽然它起源于纯数学，但它最流行的应用是对算法的分析，可以根据输入大小进行分析，以确定必须执行的操作的大致数量

    使用这种表示法的好处是，您可以根据函数的复杂度对函数增长率进行分类。许多不同的函数（实际上是一个无限数）都可以用这种表示法以相同的复杂度表示。例如，
    n+5
    、
    2*n
    和
    4*n+1/n
    都具有
    O（n）
    复杂性，因为函数
    g（n）=n
    最简单地表示这些函数的增长方式

    我之所以强调最简单的一点，是因为符号的重点是函数的支配项。例如，
    O（2*n+5）=O（2*n）=O（n）
    ，因为
    n
    是增长中的主要术语。这是因为符号假定
    n
    趋于无穷大，这导致剩余项在增长率中的作用较小。按照惯例，任何常数或乘法都被省略

    阅读和了解更多更深入的概述。

    嘿，好了。如果您不真正理解“n”的含义，那么很难理解Big-O符号。你已经看到人们在谈论O（n）==O（2n），所以我将尝试解释这到底是为什么

    当我们将一个算法描述为具有“order-n空间复杂度”时，我们的意思是，如果我们有一个算法，比如说，对数组进行排序，那么该算法使用的存储空间的大小会变得更大，与它所处理的问题的大小成线性关系（称为n），为了进行排序操作，我们在内存中做的最大一件事就是创建该数组的精确副本，我们可以说它具有“顺序-n空间复杂性”，因为随着数组的大小（称之为n