Python 循环的运行时迭代算法分析

如果我有以下代码

def func(A,n):
    for i in A-1:
        for k in A-1:
            for l in A-1
                if A[i]+A[k]+A[l] = 0:
                    return True
                else:
                    return False

如何分析此算法的运行时间？如我所见，每个for循环有2个单元，每个循环运行n+1次。然后，if循环以3个单位运行3*n次。然后每个返回都是一个，但是只有其中一个会运行，所以总的来说，它将相当于

T（n）=2（n+1）+2（n+1）+2（n+1）+3（n）+1=9n+7

---

我的逻辑是正确的还是遗漏了什么。运行时也会因语言而异吗？

正如评论所说，现在的代码是O（1），因为每次通过一次后它都会退出

func

如果您确实将返回值更改为其他值，例如设置一个变量，那么它将变成O（n^3）

为了解释如何获得该值，我将把问题简化为两个循环：

def func(A,n):
   for i in A-1:
      for k in A-1:
         # Do Something else

如果您考虑一下这是做什么的，对于我们迭代的

i

的每个值，我们将执行

A-1

次以通过

k

循环

i=0, k=0
i=0, k=1
...
i=0, k = A-1

所以这在

A-1

或

n

周期中继续。那么

i=1, k=0
i=1, k=1
...
i=1, k=A-1

这也适用于

n

周期。看到模式了吗？对于

i

的每个值，我们将迭代

n

次。现在，这将继续进行，直到我们耗尽

i

的所有值，我们知道这也是

A-1

或

n

次。因此，此函数的运行时间将为O（n^2）

---

更糟糕的情况是，严格来说，运行时（big-O）不会因编程语言的不同而有所不同。当然，每种编程语言都有不同的优化级别，执行时间也不同，但严格考虑到算法周期，它们是相同的

此代码具有恒定的运行时间，因为在

if

的两个分支中都有一个

return

。但是如果在循环外部有

return

，则运行时间将是O（N^3）。假设我将循环顶部k=i+1的第二个更改为，将第三个更改为l=k+1。运行时间是否为O（n），而不是O（n^3），因为算法会检查任何3个连续数字的总和是否等于0？您刚刚更改了问题中的代码，使其与接受的答案不匹配。在这种情况下，你真的应该让代码保持原样，以便答案与问题相关。我的错！现在修好了谢谢！如果我能稍微调整一下算法的话。假设我将循环top k=i+1的第二个值更改为l=k+1。运行时间是否为O（n），而不是O（n^3），因为算法会检查任意3个连续数字的总和是否等于0？