Big o 简单循环的大O表示法

我刚开始学习数据结构课程，讲师们发布了10个问题，并询问其中一个问题的大O。根据我读到的文章，我假设这段代码的大O是O（1），因为数据参数是单个数据元素。但是，它确实会执行多次，这取决于数字的大小，所以这会使它成为O（N）吗

公共类主{
公共静态void main（字符串[]args）{
f（100 000）；
}
公共静态长f（int n）{
长和=0；
对于（长i=2；i

此函数的时间复杂度为O（log（log（n））

---

i

通过指数增长因子的乘法增长，因此这是“双指数增长”（不确定这是否是一个有效的定义），复杂性是相反的。您可以阅读更多关于这类复杂性的信息。

此函数的时间复杂性为O（log（log（n））

i

通过指数增长因子的乘法增长，因此这是“双指数增长”（不确定这是否是一个有效的定义），复杂性是相反的。您可以阅读更多关于这类复杂性的信息。

使用西格玛表示法分析您的算法 要严格分析算法的增长，可以使用如下西格玛表示法：

与：

我们还假设，在等式中使用

（*）

的结果，

n

不是形式为

2^（2^j）

的数字，对于一些正整数

j

。对于

n

的值，如果这个假设不成立，只需去掉上面

k

的和中的

---

结果：对数对数时间复杂度 从上面可以明显看出，您的算法具有对数时间复杂度，即（渐近上界）

O（log（logn））

使用西格玛符号分析您的算法 要严格分析算法的增长，可以使用如下西格玛表示法：

与：

我们还假设，在等式中使用

（*）

的结果，

n

不是形式为

2^（2^j）

的数字，对于一些正整数

j

。对于

n

的值，如果这个假设不成立，只需去掉上面

k

的和中的

---

结果：对数对数时间复杂度

---

从上面可以明显看出，您的算法具有对数时间复杂度，即（渐近上界）

O（log（logn））

看看表达式

i=i*i

，它应该会给您一个线索。[提示]：思考将

i

计数器平方对复杂性的影响，即循环迭代次数与

N

的关系如何。打印

i

而不是

sum

，以了解此函数如何在表达式

i=i*i

处运行，该表达式应为您提供线索。[提示]：考虑一下对

i

计数器进行平方运算对复杂性的影响，即循环迭代次数与

N

的关系如何。打印

i

而不是

sum

，以了解这是如何播放的感谢解释和链接。不幸的是，我没有足够的分数来投票给answ呃，我认为答案有用。@Vaughnjavier不必担心，如果其他人觉得这有帮助，他们可以投票。谢谢你的解释和链接。不幸的是，我没有足够的分数来投票认为答案有用。@Vaughnjavier不必担心，如果其他人觉得这有帮助，他们可以投票。

public class Main {

    public static void main(String[] args) {
        f(100000);
    }

    public static long f (int n) {
        long sum = 0;
        for (long i = 2; i < n; i = i * i) {
            sum += i;
            System.out.println(sum);
        }
        return sum;
    } // end f
}