我的算法看起来像这样：
if condition
O(1) algorithm
else
O(n)
当条件始终为false时，最坏情况运行时为O（n）。然而，在实践中，条件通常是正确的。如何分析此算法的平均运行时复杂度？或者甚至不适用？摊销分析更合适吗？
答案 0 :(得分：3)
该算法渐近 O(n) ，因为随着n的增长，复杂性也在线性增长。但是，根据O(n)案例的概率，系数会非常低。
它不能是O(1)，因为这意味着更改n不会影响预期的算法时间 - 而且它不是真的。
更新：如果O（n）的情况只发生在一小部分时间内怎么办？
如果false值预期，即使很少，那么我仍然会说O(n)。
如果它是某种意外情况，例外情况，那么它可能被称为O(1)。
例如，如果0.0001％的值为false，则为O(n)，因为增加n仍会增加算法时间。
如果它总是true ，除非存在问题/特殊＆＃34;错误＆＃34;输入案例/例外/错误，在好的情况下，你永远不会得到false，然后是O(1)。
这就是我的看法，我可能错了：）
答案 1 :(得分：1)
Big-O分析用于描述最坏情况的复杂性，因此该算法的总体大O为O（n）。
您的if条件只是一种优化 - 您可以简单地在分析中说明您希望优化在当时 x％时有效...
答案 2 :(得分：1)
首先，我认为＆＃34;平凡的复杂性是O（n）＆＃34;这是一个正确的陈述，因为平均复杂度不应该比最坏情况的复杂性差。
如果您想找到更好的数字，您需要根据平均案例复杂度的定义来定义平均值。它通常与输入的分配有关。一旦你发现条件错误的概率＆＃34;平均而言＃34;你可以找出复杂性。 我建议你看看这个例子。 https://en.wikipedia.org/wiki/Amortized_analysis#Dynamic_Array
如果您告诉我们有关条件/算法的更多信息，也会有所帮助。
事实上，我想也许你想要的不是理论上的复杂性。我想你想要用现实生活数据进行基准/时间分析。
答案 3 :(得分：0)
设x =条件为假的次数。
如果x可以用常数绑定，则算法为O（1）。否则它是O（n）。