O(n^2)和O(n.log(n))之间的区别是什么？
答案 0 :(得分：15)
n ^ 2复杂性越来越快。
答案 1 :(得分：2)
Big O计算相对于数据集大小（n）的运行时间上限。
O(n*log(n))并不总是比O(n^2算法快，但在考虑最坏情况时，可能是。复制工作集（最差情况）时，O(n^2) - 算法需要大约4倍的时间，对于O(n*log(n)) - 算法则更少。数据集越大，使用O(n*log(n))算法通常会越快。
编辑：感谢'伤害'，我会在第一个答案中更正错误的陈述：我告诉我，在考虑最坏情况时，O(n^2)总是慢于{{ 1}}，这是错误的，因为两者都是，除了常数因子！
示例：假设我们遇到了最糟糕的情况，我们的数据集大小为100。
O(n*log(n)) - ＆gt; 100 * 100 = 10000 O(n^2) - ＆gt; 100 * 2 = 200（使用log_10）问题是两者都可以乘以一个常数因子，比如我们将O(n*log(n))乘以后者。结果将是：
c - ＆gt; 100 * 100 = 10000 O(n^2) - ＆gt; 100 * 2 * c = 200 * c（使用log_10）因此，对于O(n*log(n))，我们得到c > 50。
我必须更新我的陈述：对于每个问题，在考虑最坏的情况时，对于任意大的数据集，O(n*log(n)) > O(n^2), for n=100算法将比O(n*log(n))算法更快
原因是：O(n^2)的选择是任意的，但常数。如果您将数据集增加到足够大，它将主导c的每个常量选项的效果，并且当讨论两个算法时，两者的c都是常量！
答案 2 :(得分：1)
您需要更具体地了解您的要求，但在这种情况下O(n log(n))更快
答案 3 :(得分：1)
n log(n)增长明显变慢
答案 4 :(得分：1)
在O（nlog（n））时间内运行的算法通常比在O（n ^ 2）中运行的算法更快。
Big-O定义了性能的上限。随着数据集的大小增加（n）执行任务所花费的时间长度。您可能对iTunes U algorithms course from MIT感兴趣。
答案 5 :(得分：0)
“Big Oh”符号给出了算法运行时间增长的估计上限。如果一个算法应该是O（n ^ 2），那么它会以一种天真的方式表示，对于n = 1，它需要一个最大值。时间1个单位，对于n = 2，需要最多。时间4个单位等。类似地，对于O（n log（n）），它表示生长将使得它服从O（n log（n））的上限。 （如果我在这里不仅仅是天真，请在评论中纠正我）。
我希望有所帮助。