Question

我的排序值的程序时钟位于：

那是O（n）吗？

Answer 1

看起来像，但实际上，你真的需要分析算法，因为根据数据可能会有不同的情况。例如，一些算法对预先排序的数据做得更好或更差。你的算法是什么？

Answer 2

是的，对我来说看起来像是O（n） - 从第1个案例到第2个案例，从第2个案例到第3个案例，你的输入量增加了10倍，而且它的使用时间延长了10倍。

特别是，您可以使用以下方式预测粗略时间：

f(n) = n / 12500

或

f(n) = n * 0.00008

给出了所提供数据的O（n）的最简单解释。

编辑：但是......正如已经指出的那样，有多种方式可能会误导您的数据 - 我更喜欢丹尼斯·帕尔默认为IO成本相形见绌。例如，假设您有一个算法，其绝对操作数为：

f(n) = 1000000000000n + (n^2)

在这种情况下，复杂性仍然是O（n ^ 2），但是在观察到n非常大之前，这种情况不会很明显。

我认为这些观察结果暗示O（n）算法是准确的，但这并不意味着它确实存在。

Answer 3

时间行为不起作用。所有你真的可以说这三个数据集大致相互O（n）。这并不意味着算法是O（n）。

第一个问题是我可以很容易地绘制一条指数（O（e ** n））的曲线，但仍包括这三点。

但最大的问题是你没有对数据说什么。有许多排序算法接近O（n）的排序或近似排序的输入（例如：Mergesort）。但是，它们的平均情况（通常是随机排序的数据）和最坏的情况（通常是反向排序的数据）总是O（nlogn）或更糟。

Answer 4

你无法分辨。

首先，时间取决于数据，环境和算法。如果你有一个零数组并尝试对它进行排序，那么对于1000或1000000个元素，程序运行时间应该没有太大差别。

其次，O符号表示n的大值的函数行为，从n0开始。可能是您的算法可以很好地扩展到某个输入大小，然后其行为也会发生变化 - 就像g（n）函数一样。

alt text

Answer 5

对我来说看起来像O（n）。

Answer 6

是的，那是O（n），因为它随着项目数量而缩放。

1000000 = 10 * 100000

和

82s = 10 * 8s (roughly)

Answer 7

你不能依赖它来说它是O（n）。例如，Bubblesort可以在n个步骤中完成，但它是一个O（n ^ 2）算法。

Answer 8

是的，它似乎是O（n），但我认为你不能根据它的定时性能最终分析算法。您可能正在使用效率最低的排序算法，但由于数据读/写时间占总执行时间的大部分，因此具有O（n）个定时结果。

编辑：Big-O取决于算法的效率及其扩展方式。随着输入项数量的增加，它应该预测执行时间的增长。反过来不一定是真的。观察执行时间的增长可能意味着一些不同的事情。如果它与您给出的示例数字保持一致，那么您可以得出结论，您的程序在O（n）运行，但正如其他人所说，这并不意味着您的排序算法是O（n）。