C 大oh和欧米茄符号之间到底有什么区别？

我知道大oh表示上界，ω表示下界，但大多数地方我只看到大oh符号

例如，在线性搜索算法中，最坏的情况是大oh（n）。 然而，搜索到的号码可以在第一个位置找到。所以，输入的数量是1。因此，这是最好的情况。所以，我们可以把它写成大ω（1）。但我已经看到，在许多地方，大oh也用于最佳情况，但我不知道为什么

---

我知道这两种符号在理论上的区别。然而，我无法实际理解它。

有三个重要的复杂性类别：

O、 大O=一个松散的上限

Ω，ω=一个松散的下限

θ=严格的上下限

重要的是要认识到O和Ω是松散的界限。它们不一定是最优的。任何算法都有无穷多个上界和无穷多个下界

例如，可以说线性搜索的上界为O（n2），下界为Ω（1）。我们知道它的实际复杂性介于这两个界限之间。然而，通常情况下，声明非最优边界通常是没有帮助的。这些界限是正确的，但没有用处

我们通常想要知道最小的上界和最大的下界。如果你说线性搜索是O（n2），我可以改进你的答案，不仅是O（n2），它也是O（n）。这是一个较小的上限，因此更有用

不仅如此，您还必须决定是查看最坏情况、平均情况、还是最佳情况。除非另有说明，复杂性分析通常着眼于最坏的情况。因此，虽然您可能会在一个步骤中偶然发现要查找的项目，但线性搜索的最坏情况是必须查看所有n个项目。最好的情况复杂度是O（1），但最坏的情况是O（n）

如果你能证明O=Ω，最小上界和最大下界是相同的，那么你现在知道了。在最坏的情况下，线性搜索在顶部以O（n）为界，在底部以Ω（n）为界，因此它的最坏情况复杂性正好是Θ（n）

---

大多数说算法是O（whatever）的人实际上应该使用Θ（whatever）。如果你知道界是严格的上界和下界，那么Θ比O好。但是大多数人也不记得这些复杂的东西，所以大O已经成为θ的一个懒惰的退路。

有三个重要的复杂度类别：

O、 大O=一个松散的上限

Ω，ω=一个松散的下限

θ=严格的上下限

重要的是要认识到O和Ω是松散的界限。它们不一定是最优的。任何算法都有无穷多个上界和无穷多个下界

例如，可以说线性搜索的上界为O（n2），下界为Ω（1）。我们知道它的实际复杂性介于这两个界限之间。然而，通常情况下，声明非最优边界通常是没有帮助的。这些界限是正确的，但没有用处

我们通常想要知道最小的上界和最大的下界。如果你说线性搜索是O（n2），我可以改进你的答案，不仅是O（n2），它也是O（n）。这是一个较小的上限，因此更有用

不仅如此，您还必须决定是查看最坏情况、平均情况、还是最佳情况。除非另有说明，复杂性分析通常着眼于最坏的情况。因此，虽然您可能会在一个步骤中偶然发现要查找的项目，但线性搜索的最坏情况是必须查看所有n个项目。最好的情况复杂度是O（1），但最坏的情况是O（n）

如果你能证明O=Ω，最小上界和最大下界是相同的，那么你现在知道了。在最坏的情况下，线性搜索在顶部以O（n）为界，在底部以Ω（n）为界，因此它的最坏情况复杂性正好是Θ（n）

大多数说算法是O（whatever）的人实际上应该使用Θ（whatever）。如果你知道界是一个严格的上界和下界，那么Θ比O好。但是大多数人也不记得这些复杂的东西，所以大O已经成为θ的一个懒惰的退路

我知道这两种符号在理论上的区别。然而，我无法实际理解它

大O在描述算法时使用得更广泛，因为知道算法的运行情况通常更有用，这样工程师就可以为任何情况做好准备

然而，大欧米茄通常没有大O有用。虽然知道算法的运行速度很好，但在设计软件时，工程师需要知道最坏的情况，以便为任何情况做好准备

我知道这两种符号在理论上的区别。然而，我无法实际理解它

大O在描述算法时使用得更广泛，因为知道算法的运行情况通常更有用，这样工程师就可以为任何情况做好准备

---

然而，大欧米茄通常没有大O有用。虽然知道算法的运行速度很好，但在设计软件时，工程师需要知道最坏的情况，以便为任何情况做好准备。

当人们说运行时间是O（f（n）），它们的意思是，运行时间属于O（f（n））的函数类

i、 即f（n）=0

在线性搜索的具体问题中，最坏的情况确实需要一些时间，即O（N）

最佳情况需要恒定的时间-

T=k

。但k属于