Question

你如何用big-O表示法来描述下面的内容？

rotors = [1,2,3,4,5 ...]
widgets = ['a', 'b', 'c', 'd', 'e' ...]

assert len(rotors) == len(widgets)

for r in rotors:
    for w in widgets:
        ...

    del widgets[0]

Answer 1

是O（n ^ 2）。您可以看到内循环执行的次数是：

n + (n - 1) + (n - 2) + ... + 1

因为每个外部循环迭代都会删除一个窗口小部件。即（n ^ 2 + n）/ 2，即O（n ^ 2）。

Answer 2

因为你经历了两个循环，所以它是O（n ^ 2）。

Answer 3

由于断言：

assert len(rotors) == len(widgets)

O（n ²）的答案是正确的，但是在列表不一定长度相同的一般情况下，你称之为O（m * n）。< / p>

Answer 4

该算法的最差情况是O（n ^ 2）。

Answer 5

这是O（n ^ 2），但我认为人们错过了这个问题的删除部分。

The first loop you have n widgets.
The second loop you have n-1 widgets.
...
The n-1 loop you have 2 widgets.
The n loop you have 1 widgets.

您可能认为降低了Big-O，但所有删除操作都将系数乘以1/2。

这是因为n +（n-1）+ ... + 2 + 1 = n（n + 1）/ 2。当N变为无穷大时，它变成n ^ 2/2，这只是O（n ^ 2）

Answer 6

冒着既相反又迂腐的风险，你实际上还没有提供足够的信息来回答这个问题。当然，性能并不比O（n ^ 2）好，但由于你没有详细说明你在内循环中做了什么，所以通常情况会更糟。但是，假设内循环中发生的事情是O（1），则整体性能为O（n ^ 2）。

Answer 7

是的，这就是为什么这些大问题总是难以弄明白的原因。但是，如果我不得不猜测我会说O（n ^ 2），因为你每次都要进行2次循环执行某些操作。

这个算法的大O成本函数是什么？

7 个答案: