Python 子方法（m）的复杂度为O（m），下面代码的最坏情况复杂度是多少？ def func（n）： j=1 对于范围内的i（n//2，n+1）： 而(j 100: 而（j>1）： j=j-1 #做某事O（1）

i=1，输出=2
i=2到3，输出=2,4
i=4到7，输出=2,4,8
i=8到15，输出=2,4,8,16
i=16到31输出=2,4,8,16,32第一个循环是O（n），因为它是O（n/2），我们去掉常数和低阶项

第二个循环是O（lg-n），因为j是2^k（即2,4,8,16,32）

第三个循环是任意j并倒计时，所以O（j）。j从1开始，并注意到在最坏的情况下，它会增长2^k到n。假设n是1000。当j是500时，下一次迭代将是500*2=1000

时间复杂度为O（n+lg-n+lg-n+j）=O（n+2lg-n+j）->O（n+lgn+j）->O（n）

我们放弃lg-n是因为当n接近无穷大时，n的增长率总是会超过lg-n。这与我们在n^3存在时放弃n^2是一样的，因为后者随着时间的推移增长更快

我们放弃j是因为，当j的增长率依赖于n时，它能超过n吗？

第一个循环是O（n），因为它是O（n/2），我们放弃常数和低阶项

第二个循环是O（lg-n），因为j是2^k（即2,4,8,16,32）

第三个循环是任意j并倒计时，所以O（j）。j从1开始，并注意到在最坏的情况下，它会增长2^k到n。假设n是1000。当j是500时，下一次迭代将是500*2=1000

时间复杂度为O（n+lg-n+lg-n+j）=O（n+2lg-n+j）->O（n+lgn+j）->O（n）

我们放弃lg-n是因为当n接近无穷大时，n的增长率总是会超过lg-n。这与我们在n^3存在时放弃n^2是一样的，因为后者随着时间的推移增长更快

我们降低j是因为，当j的增长率依赖于n时，j的增长率会超过n吗

def func(n):
    j=1
    for i in range(n//2, n+1):
        while (j <= n):
            j = j * 2
            subMethod(i)
        if i > 100:
            while (j > 1):
            j = j - 1
            #doing something O(1)