在http://leepoint.net/notes-java/algorithms/big-oh/bigoh.html的文章说Big O表示法用于访问链表中的中间元素是O（N）。不应该是O（N / 2）。假设我们在链表中有100个元素所以要访问它必须从第一个节点到第50个节点的第50个元素。因此操作次数将在50左右。
为二进制搜索定义的另一个大符号是log（N）。假设我们有1000个元素。根据log（N），我们将需要接近3的opeartion。现在让我们手动计算它将是模式
第500个元素，250th，125,63,32,16,8,4,2因此操作大约为9，远大于3。
我在这里找不到任何东西？
答案 0 :(得分：4)
O（ n ）表示“比例到 n ，对于所有大型 n ”。 1
所以它不必等于 n 。
我上面的解释有点不清楚O（ n ）中的某些东西是否也在O（n 2 ）中。 - 我对“比例”这个词的使用很差，正如其他人试图提到的那样（而且我最初的误解），“收敛”将是一个更好的术语。 > 2
1：实际上意味着“ n 与 n 成比例 n 在最坏的情况下 < / em>“，但书籍通常会考虑”平均“情况，f(n) ~ n更准确地表示，其中f是您的职能。
2：对于技术性更强的人：它应该是显而易见的，但我 不 打算在数学上严谨。如果您正在寻找正式证明（有比率，限制等等），Math.SE可能是提出这个问题的更好选择。
答案 1 :(得分：4)
你所缺少的是任何常数倍数对于大O都无关紧要。所以我们得到O（N）= O（N / 2）。
关于问题的日志部分，它实际上是log 2 （N）而不是log 10 （N），所以在这种情况下log（1000）实际上是9（向下舍入时）。此外，如前所述，O（log 2 （N））= O（log 10 （N）），因为这两者只是彼此的常数倍。具体来说，log 2 （N）= log 10 （N）/ log 10 （2）
最后要考虑的是，如果将几个函数加在一起，则较低程度的函数与Big O无关。这是因为较高程度的函数比较低程度的函数生长得更快。所以我们发现像O（N 3 + N）= O（N 3 ）和O（e N + N 2 + 1）= O（e N ）。
这要考虑两件事：丢弃倍数，降低低度函数。
答案 2 :(得分：1)
从您关联的网页：
同样，忽略常数乘数。所以O（4 * N）算法是 相当于O（N），它应该如何写。最终你 想要在确定时注意这些乘数 性能，但对于使用Big-Oh的第一轮分析，你 简单地忽略常数因素。
答案 3 :(得分：1)
Big O表示法是算法效率的通用表达式。你不应该将它解释为算法的速度，或者需要多少内存的精确等式，而是将其视为近似值。函数的常数乘数被忽略，例如，您可以将示例视为O 1/2（N）或O k （N），删除 k 它给你O（N）。