我知道如何为每种算法计算bigO，一般来说，它是如何工作的。例如，在链表中查找特定数字将是O（N），因为您可能必须从头到尾遍历链表中的每个输入。但是，bigO在时间上究竟意味着什么呢？为什么合并排序比插入排序运行得更快，即使插入排序具有更快的时间复杂度＆＃34;？请给我你的意见，以便我明白。非常感谢。
答案 0 :(得分：0)
看一下这个例子：
假设您有两种算法A₁和A₂。这样做，但第一个具有Θ(n)的复杂性，第二个具有Θ(n²)的复杂性。两种算法都有不同的运行时间。您无法从复杂性计算运行时间，因为它取决于确切的实现，运行的计算机，复杂性和其他方面无法看到的内容。但是你可以通过复杂性来预测运行时间的变化。
假设您将输入从长度n更改为长度2n，意味着您将输入长度加倍。然后，A₁的运行时间也应该（几乎）加倍，但A₂的运行时间应该是(2n)² = 4n²的4倍左右。
要解决插入排序与合并排序示例：
插入排序的复杂性为O(n²)，合并排序的复杂性为O(n log n)。因此，合并排序比插入排序具有更好的复杂性，并且还应该运行得更快。也许（对于非常短的列表）插入排序比合并排序运行得更快，因为合并排序在big-o表示法中隐藏了更大的常量因子。
答案 1 :(得分：0)
您遇到的问题/问题在初学者级别非常普遍。我建议你阅读更多关于“渐近符号”的内容。（互联网上有很多有用的视频和网站都有相同的解释）渐近分析正在考虑应用于大型数据库时算法的性能。 渐近概念基本上有三种类型 -
当我们有一个渐近上界时使用Big O，即 当存在正常数c和n时，g（n）的大O等于f（n）{O（g（n））= f（n）} 对于所有n> 0 = 0，0 <= f（n）＆lt; = c g（n）。 （也就是说，您定义一个最大值，使得曲线f（n）始终位于该点上或下方。
当我们有渐近下界
时，会使用Big Omega当我们上限和下限时使用Theta。
现在，回到你的问题 - 插入排序的复杂性为O（n²）和合并排序O（n log n）。大值（n²）倾向于具有比（n log n）更大的值。
假设n = 100。
在插入排序中，值将为10,000，并且对于合并排序，它将be（100 log 100）即100.2 - ＆gt; 200。
因此，您可以看到合并排序的运行速度比插入排序快得多。