今天我遇到了msdn中的博客，我注意到如何计算算法的时间复杂度。我完全理解如何计算算法的时间复杂度，但最后作者提到了以下几行
添加所有内容我
（N + 4）+（5N + 2）+（4N + 2）= 10N + 8
因此上述代码的渐近时间复杂度为O（N），其中 表示上述算法是线性时间复杂度算法。
那么作者怎么说它是基于班轮时间复杂度算法的。博客的链接
答案 0 :(得分：7)
10 * x + 8并亲自查看。
答案 1 :(得分：0)
作者只是根据他选择最合适的经验。你应该知道，计数算法的复杂性几乎总是意味着找到一个 Big-Oh 函数，而这个函数只是给定函数的上界（在你的情况下10N + 8 。
只有一些众所周知的复杂类型：线性复杂性，二次复杂性，etc。因此，计算时间复杂度的最后一步包括选择不太复杂的类型（我的意思是，线性比二次更复杂，而二次型不那么复杂，指数等等，可以用于给定函数，正确描述其复杂性。
在你的情况下，O（n）和O（n ^ 2）甚至O（2 ^ n）确实是正确的答案。但是在[{3}}中完全适合的不那么复杂的函数是 O（n），这是一个答案。
以下是Big-Oh notation definition，完全解释了 Big-Oh符号。
答案 2 :(得分：0)
时间复杂性的升序（常见的）
O(1) - Constant
O(log n) - logarithmic
O(n) - linear
O(n log n) - loglinear
O(n^2) - quadratic
注意：N增加无界限
答案 3 :(得分：0)
对于复杂性理论，你绝对应该阅读一些背景理论。它通常是渐近的复杂性，这就是为什么你可以删除较小的部分，只保留复杂性类。
关键的想法是N和N+5之间的区别在N非常大的时候变得无效。
有关详细信息，请从此处开始阅读：
答案 4 :(得分：0)
一个非常实用的规则是：
当算法si的复杂性由poly 表示时，如A*n^2+B*n+C 那么复杂度的顺序（也就是O（某事）） 等于变量n的最高阶。
在A*n^2+B*n+C poly中，订单为O（n ^ 2）。
像josnidhin解释的那样，如果聚有