Big o 大混乱

我正在测试我制作的一些函数，并试图找出时间复杂度。 我的问题是，即使在阅读了一些关于Big O的文章后，我也无法理解以下内容：

1000个循环：15000个对象：时间6

1000个循环：30000个对象：时间9

1000个循环：60000个对象：时间15

1000个循环：120000个对象：时间75

前两次之间的差异是3毫秒，然后是6毫秒，然后是60毫秒，因此每次迭代的时间加倍。我知道这不是O（n），我想这不是O（logn）

当我尝试不同的数据集时，时间并不总是增加。例如，以这个序列（ms）：11-17-26-90-78-173-300为例

78毫秒看起来不合适。这可能吗

编辑： NVM，我得和我的大学导师好好谈谈。 时间的输出因变量不同而相差太大。 谢谢那些试图帮助我的人

假设你不能仅从理论上得到O（n），那么我认为你需要研究O（n）中更多的数量级——至少三个，最好是六个或更多（你只需要进行实验，看看n中需要什么变化）。如果有必要的话，让它通宵运行。然后以对数方式绘制结果

基本上我怀疑你现在看到的是噪音

假设你不能从理论上得到O（n），那么我认为你需要研究O（n）中更多的数量级——至少三个，最好是六个或更多（你只需要实验看看n中需要什么变化）。如果有必要的话，让它通宵运行。然后以对数方式绘制结果

---

基本上我怀疑你现在看到的是噪音

大O表示法并不是一个操作完成所需的确切时间。这是一个（非常粗略的）估计，各种算法如何在输入大小变化时进行渐近比较，用一般的“步骤”表示。这就是“对于N个元素的输入，我的算法要执行多少步？”

说到这里，请注意，在大O表示法中，常量被忽略。因此，在每次迭代中对N个元素进行100次计算的循环将是100*N，但仍然等于O（N）。类似地，执行10000次计算的循环仍然是O（N）

因此，在您的示例中，如果您有以下内容：

for(int i = 0; i < 1000; i++)
   for(int j = 0; j < N; j++)
      // computations

for（int i=0；i<1000；i++）
对于（int j=0；j

它将是1000*N=O（N）

---

Big O只是一个简化的算法运行时间估计，它基本上表示如果一个算法有运行时间O（N），另一个算法有运行时间O（N^2）然后，对于某些值N，第一个值最终将比第二个值快。当然，这个估计没有考虑与底层平台相关的任何内容，如CPU速度、缓存、I/O瓶颈等。

大O表示法并不是指操作完成所需的确切时间。这是一个（非常粗略的）估计，各种算法如何在输入大小变化时进行渐近比较，用一般的“步骤”表示。这就是“对于N个元素的输入，我的算法要执行多少步？”

说到这里，请注意，在大O表示法中，常量被忽略。因此，在每次迭代中对N个元素进行100次计算的循环将是100*N，但仍然等于O（N）。类似地，执行10000次计算的循环仍然是O（N）

因此，在您的示例中，如果您有以下内容：

for(int i = 0; i < 1000; i++)
   for(int j = 0; j < N; j++)
      // computations

for（int i=0；i<1000；i++）
对于（int j=0；j

它将是1000*N=O（N）

---

Big O只是一个简化的算法运行时间估计，它基本上表示如果一个算法有运行时间O（N），另一个算法有运行时间O（N^2）那么，对于N的某个值，第一个最终将比第二个快。这个估计当然没有考虑任何与底层平台相关的因素，如CPU速度、缓存、I/O瓶颈等。

如果没有看到您的实际算法，我只能猜测： 如果您允许3ms的恒定初始化开销，则最终会导致

1000x15,000 = (OH:3) + 3
1000x30,000 = (OH:3) + 6
1000x60,000 = (OH:3) + 12

在我看来，这似乎是O（n）

---

不同数据集的时间戳差异可能是由许多因素造成的。

没有看到实际的算法，我只能猜测： 如果您允许3ms的恒定初始化开销，则最终会导致

1000x15,000 = (OH:3) + 3
1000x30,000 = (OH:3) + 6
1000x60,000 = (OH:3) + 12

在我看来，这似乎是O（n）

---

不同数据集的时间戳差异可能是由许多因素造成的。

Big O只有一个渐近意义。这与措施无关。这是一种表达理论行为的方式，用于增加程序或算法的大量输入。换句话说，它回答了一个问题——“这个规模有多大？”我知道什么是大O。我就是搞不懂这个数据输出的大O复杂性。你不能从数据输出中得到大O。您可以从算法中得到它。在这种情况下，数据输出是函数完成的时间（毫秒）。从这一点，我应该能够得出大O的结论，对吗？算法在此函数中执行。否则你会怎么做？大O只有一个渐进的意义。这与措施无关。这是一种表达理论行为的方式，用于增加程序或算法的大量输入。换句话说，它回答了一个问题——“这个规模有多大？”我知道什么是大O。我就是搞不懂这个数据输出的大O复杂性。你不能从数据输出中得到大O。您可以从算法中得到它。在这种情况下，数据输出是函数完成的时间（毫秒）。从这一点，我应该能够得出大O的结论，对吗？算法在此函数中执行。否则你会怎么做呢？这是一个非常简单的函数。对于这样一个大学作业来说，通宵运行它会有点过头。我将如何绘制这些数据？我是你