我试图想出以下数据结构的Big O运行时间。 他们是正确的吗？
将n个整数插入最初为空的AVL树（最佳情况） O（log n）
将n个整数插入最初为空的AVL树（最坏情况） O（log n）
将n个整数插入到不强制执行的初始空二进制搜索树中 结构属性（最好的情况） O（log n）
将n个整数插入到不强制执行的初始空二进制搜索树中 结构属性（最坏情况） 的 O（n）的
关于他们为什么不正确的解释也会有所帮助
答案 0 :(得分：3)
我在这里假设您需要插入所有元素的总时间：
（1）
（2） AVL树的最坏情况：将n个整数插入AVL树是O（nlogn）。每一步都是O（log（T）），其中T是那一刻的大小。 O(log1) + O (log2) + ... + O(logn) = O(log1 + log2 + ... + logn) = O(log(1*...*n)) = O(nlogn)。所以 O（nlogn）。每个元素O（logn）
（3） no structure enforce，best case ，仍然 O（n），（1）的原因相同。在最好的情况下，您添加的所有元素都是根，因此无论大小如何，您都不需要在树中下载。每个元素O（1）。
（4）没有结构强制执行，最坏情况：如在其他答案中所述，找到每个元素的位置是O（n），所以总的来说，你的时间复杂度最差的为O（n ^ 2）即可。每个元素O（n）。
答案 1 :(得分：2)
您的定义不正确：
将n个整数插入最初为空的AVL树（最佳情况）O（log n）
您无法在n次操作中访问（并复制）n个数据项，因为您应该阅读每个项目（因此，O(n)至少可以继续元件）。
所以，我的假设是你为单个元素提供了正确的O()（这有点不对，因为最好可以在特殊输入上实现;你的估计是平均情况，而不是最好的），所以，对于总描述的操作，我将每个与O(n)：
将n个整数插入最初为空的AVL树（最佳情况）O(n*log n)更新：这是平均值;特殊投入的最佳时间可以更短。
将n个整数插入最初为空的AVL树（最坏情况）O(n*log n)
将n个整数插入到最初为空的二进制搜索树中，该搜索树不强制执行结构属性（最佳情况）O(n*log n) UPDATE ：这可能取决于实现和整数序列;所以最好的情况是O(n)（见评论）。
将n个整数插入到最初为空的二进制搜索树中，该搜索树不强制执行结构属性（最坏情况）O(n*n)
答案 2 :(得分：1)
是的，你是正确的，如果你把所有东西都乘以n。您的运行时间是一个元素。
答案 3 :(得分：1)
如何插入n整数会导致O(logn)的大O.这没有任何意义。肯定阅读整数本身至少需要O(n)。
因此，对于不平衡的BST示例，最糟糕的情况是您插入排序的数字列表，如1,2,3,4。插入1需要0次。插入2需要~1次。插入3需要~2次。等于1+2+3+...+n = O(n^2)。
同样，在最佳情况下，每个后续插入都需要log(i)次。因此总运行时间为log(1)+log(2)+log(3)+...+log(n)。评估的内容并不是很明显。但是如果你知道一点微积分，你可以看到（几乎）梯形规则近似于log n从1到n的积分。这大约是nlogn - n = O(nlogn)。
我相信你可以对AVL树做类似的分析。
答案 4 :(得分：1)
对不起，但他们都错了。
你使用的是单次插入的Big-Os。如果你做了n个，你必须花费那些时间n。
所以正确的数字是：
将n个整数插入：