我认为这可能是关于big-O符号的初学者问题。比方说，我有一个算法可以递归地分解整个列表（O（n）），然后将它重新组合在一起（O（n））。我认为这意味着效率是O（n）+ O（n）。这是否简化为2O（n），O（2n）或O（n）？根据我对这种符号的了解，它将是O（2n）并且使用渐近符号的规则，你可以放弃2，给出O（n）的效率。
但是，如果我们试图找到下限，这个规则是否仍适用？如果Ω（n）+Ω（n）=Ω（2n），你还可以降2吗？我想不会，因为你实际上会降低下限（因为n <2n）。
答案 0 :(得分：2)
这是否简化为2O（n），O（2n）或O（n）？“
以上所有，但前两个过于复杂。 O（n）将是规范符号。
2 * N与N成正比，因此如果对于足够大的N（O（2 * N）），最大成本不超过2 * N，则最大成本也不会超过N对于足够大的N（O（N））。
但是，如果我们试图找到下限，那么此规则是否仍适用？
绝对是肯定的。
2 * N与N成正比，因此如果对于足够大的N（Ω（2 * N）），最小成本不小于2 * N，则最小成本也不小于N的成比例对于足够大的N（Ω（N））。
例如，假设您的算法需要300 ms + 100 * N ms才能执行。其速度的下限是Θ（N），因此是Ω（N）。
如果算法要执行两倍的时间怎么办？即使执行时需要600 ms + 200 * N ms，其速度的下限仍为Θ（N），因此为Ω（N）。
要理解Θ（N）等最重要的事情是这些符号用于研究比例的效果。那个算法花费的时间是另一个算法的两倍，并没有说出任何一个算法有多好，所以对于它们的速度的下限它们可以具有相同的Ω（）并不奇怪。
答案 1 :(得分：1)
它会简化 - 通常为O（n），表示解决问题所花费的时间与问题大小成正比。在这种情况下，写2O（n）可能更合适，尽管它意味着相同的事情。
答案 2 :(得分：0)
已经有一段时间了，但我认为你在两种情况下都是正确的。
<强>更新
实际上看起来像Ω（n）+Ω（n）==Ω（n）
答案 3 :(得分：0)
我相信根据Big-O的定义：
如果对于某些常数c和n的足够大的值，函数f（n）是＆lt; = cg（n），则可以说f（n）= O（g（n））。在您的示例中，g（n）= n。
因此，例如，如果可以为c选择一些值，使f（n）<= cn得到足够大的n，则可以说f（n）= O（n）。
Big Omega的定义相似。