我正在阅读“算法简介”一书，但不明白这一点。 O（100），O（log（n）），O（n * log（n）），O（n2），O（n3）
好的，谢谢，我甚至不知道它是什么，所以我现在要读Big O的帖子。 但是，如果有人能够以外行的方式进一步解释这一点，那将非常感激。
由于
答案 0 :(得分：0)
Big O（简化）表示给定算法需要多长时间，n为条目数。
例如：
O（100） - ＆gt;无论进入多少，都需要100个单位才能完成。
O（log（n）） - ＆gt;将log（n）完成
O（n2） - >将需要n ^ 2（n * n）来完成
答案 1 :(得分：0)
这是大O符号和算法效率的顺序：
O(1)，而非O(100) - 常数时间 - 无论输入如何，算法都会在恒定时间内执行
O(log(n)) - 对数时间 - 随着输入变大，时间也会变大，但数量会减少
O(n*log(n)) - 线性*对数 - 增加大于线性，但不如以下
O(n^2)，或者通常是O(n^k)，其中k是常数 - 多项式时间，可能是最差的可行算法
有更糟糕的算法，对于非小型输入而言被认为是不可行的：
O(k^n) - 指数
O(n!) - factorial
遵循Ackerman函数的算法......
这种符号是定向的。例如，O(n^2)中的某些算法平均可以比O(n*log(n))更快地执行 - 请参阅快速排序。
这种表示法也是一个上限，意味着它描述了最坏的情况。
它可用于空间复杂性或时间复杂度，其中n是所提供输入的大小。