我正在测试我制作的一些功能，而我正试图找出时间复杂度。 我的问题是，即使在阅读了有关Big O的一些文章后，我也无法弄清楚以下内容应该是什么：
1000个循环：15000个对象：时间6
1000个循环：30000个对象：时间9
1000个循环：60000个对象：时间15
1000个循环：120000个对象：时间75
前2的差异是3 ms，然后是6 ms，然后是60，所以每次迭代时间加倍。我知道这不是O（n），我认为它不是O（log n）。
当我尝试不同的数据集时，时间并不总是上升。例如，采用此序列（ms）：11-17-26-90-78-173-300
78毫秒看起来不合适。这甚至可能吗？
编辑： NVM，我只需要和我的大学导师讨论这个问题。 不同变量的时间输出差别太大。 感谢那些试图提供帮助的人！
答案 0 :(得分：3)
Big O表示法并不是指完成一项操作需要多长时间。这是（非常粗略的）估计各种算法如何相对于改变输入大小渐近地比较，以通用“步骤”表示。那就是“我的算法为N个元素的输入做了多少步骤？”。
说完这个，请注意在Big O表示法中常量被忽略。因此，在每次迭代中进行100次计算的N个元素的循环将是100 * N但仍然等于O（N）。类似地，执行10000次计算的循环仍然是O（N）。
因此，在您的示例中，如果您有类似的内容：
for(int i = 0; i < 1000; i++)
for(int j = 0; j < N; j++)
// computations
它将是1000 * N = O（N）。
Big O只是一个简化的算法运行时间估计，基本上说如果一个算法有运行时间O（N）而另一个算法有O（N ^ 2）那么第一个算法最终会 对于N的某个值，要快于第二个。当然，这个估计并未考虑与底层平台相关的任何内容，如CPU速度，缓存，I / O瓶颈等。
答案 1 :(得分：0)
假设你不能仅从理论上得到 O（n），那么我认为你需要在 O（n）中查看更多的数量级 - 至少三个，最好六个或更多（你只需要试验一下，看看 n 的变化是多少）。如果必须的话，让事情一夜之间运行。然后以对数方式绘制结果。
基本上我怀疑你现在正在看噪音。
答案 2 :(得分：0)
没有看到你的实际算法，我只能猜测： 如果允许3ms的恒定初始化开销，则最终得到
1000x15,000 = (OH:3) + 3
1000x30,000 = (OH:3) + 6
1000x60,000 = (OH:3) + 12
对我来说，这似乎是O（n）
不同数据集的时间戳差异可能是由于多种因素造成的。