假设我有一个例程，它扫描n个项目的整个列表3次，根据大小进行排序，然后bsearched排序列表n次。扫描是O（n）时间，我将调用O（n log（n）），n次bsearch是O（n log（n））。如果我们将所有3加在一起，它只是给我们3的最坏情况 - n log（n）值或者语义是否允许增加时间？
非常确定，现在我输入的答案是n log（n），但我现在可以确认我输入了它：）
答案 0 :(得分：10)
总和确实是Big-O三者中最差的。
原因是你的函数的时间复杂度是
(n) => 3n + nlogn + nlogn
是
(n) => 3n + 2nlogn
这个函数在3nlogn之上，所以它在O（n log n）中。
您可以选择任何常量。我碰巧选择了3，因为它是一个很好的渐近上界。
答案 1 :(得分：2)
你是对的。当n变得非常大时，n log（n）占主导地位3n。
答案 2 :(得分：0)
是的，这只是最糟糕的情况，因为O符号只是渐近的表现。
这当然不应被视为添加这些额外步骤对您的程序性能没有影响。对于程序运行的给定n范围，其中一个O（n）步骤很容易消耗大部分执行时间。
答案 3 :(得分：0)
正如Ray所说，答案确实是O（n log（n））。这个问题的一个有趣的部分是你看它的方式并不重要：添加意味着“实际添加”还是意味着“最坏的情况”。让我们证明这两种看待它的方式会产生相同的结果。
令f（n）和g（n）为函数，并且不失一般性，假设f为O（g）。 （非正式地，g比f更“差”。）然后根据定义，存在常数M和k，使得f（n）<每当n> M时，M * g（n） ķ。如果我们以“最坏情况”的方式看待，我们期望f（n）+ g（n）是O（g（n））。现在以“实际添加”的方式看待它，并专注于n＆gt;的情况。 k，我们有f（n）+ g（n）< M * g（n）+ g（n）=（M + 1）* g（n），因此根据定义f（n）+ g（n）是所需的O（g（n））。