Time complexity 这是对数时间复杂度的一个例子吗？

通常说，具有对数时间复杂度

O（logn）

的算法是这样一种算法，即输入加倍并不一定意味着所需工作量加倍。通常情况下，搜索算法是作为对数复杂度算法的一个例子给出的

考虑到这一点，假设我有一个函数，它将字符串数组作为第一个参数，将单个字符串作为第二个参数，并返回数组中字符串的索引：

function getArrayItemIndex(array, str) {
  let i = 0
  for(let item of array) {
    if(item === str) {
      return i
    }
    i++
  }
}

假设此函数的调用方式如下：

getArrayItemIndex(['John', 'Jack', 'James', 'Jason'], 'Jack')

getArrayItemIndex(
  [
    'John', 
    'Jack', 
    'James', 
    'Jason',
    'Jerome',
    'Jameson',
    'Jamar',
    'Jabar'
  ], 
  'John'
)

在本例中，函数在返回

1

的索引之前不会遍历整个数组。类似地，如果我们将数组中的项加倍，那么它最终将被调用，如下所示：

getArrayItemIndex(['John', 'Jack', 'James', 'Jason'], 'Jack')

getArrayItemIndex(
  [
    'John', 
    'Jack', 
    'James', 
    'Jason',
    'Jerome',
    'Jameson',
    'Jamar',
    'Jabar'
  ], 
  'John'
)

---

…那么，将数组中的项加倍并不一定会导致函数的运行时间加倍，因为它会跳出循环并在第一次迭代后返回。因此，那么说

getArrayItemIndex

函数具有对数时间复杂度是否准确？

不太准确。这里是线性搜索。它最差的ccase性能是θ（n），因为如果搜索目标不在列表中，它必须检查所有元素。您发现它的最佳情况性能是θ（1），因为如果幸运的话，该算法只需运行几次检查

预排序数组上的二进制搜索是O（logn）最坏情况算法的一个示例（最佳情况仍然是O（1））。它的工作原理如下：

检查中间的元素。如果匹配，则返回。否则，如果元素太大，则对数组的前半部分执行二进制搜索。如果它太大，在后半部分执行二进制搜索。继续，直到找到目标或没有新元素可供检查

---

在二进制搜索中，我们从不查看所有元素。这就是区别。

通常说，对数时间复杂度为O（logn）的算法是输入加倍不一定需要加倍所需工作量的算法。对数并不意味着“不一定是线性的”。谢谢你的回答。非常感谢。所以我得到的是，我们总是担心最坏的情况。换句话说，如果最坏的情况是O（logn），那么它只会是O（logn）。在我的示例中，最坏的情况是数组被完全循环，总共循环一次，这是一个线性（即O（n））操作。然而，对于二进制搜索示例，因为我们永远不会查看数组中的每个元素，即使在最坏的情况下，这意味着该操作是一个O（logn）操作。。。在最坏的情况下，它是O（logn）。对吗？@JairusRuth听起来是个正确的总结，对。我要补充的是，除了考虑上界以外的最坏的界限以外，考虑技术上的错误在技术上不是错误的，但通常情况下，最坏情况下的上限是人们谈论W.R.T.算法，因为这与底层问题的复杂性类有关。