演算法中o

A. 演算法復雜度中的O(n)、O(nlgn)、O(n^2)等是什麼意思

關於演算法的復雜度計算，初學者一開始便容易進入完全定量的思考之中，這是難以到達的。演算法復雜度在很多時候是對演算法運行的時間一個大概的定性（或者說大數）描述，因為很多時候無法精確地描述一條代碼究竟執行了多少時間。而任何一個演算法運行的大多時間都集中在某一主體循環之中，像for,while之類，主體循環的次數往往跟某個或多個輸入參數或環境變數有關。像O(n)、O(nlgn)、O(n^2)之類描述都是圍繞主體循環次數和輸入參數或者環境變數的關系展開的。
下面舉一個例子，從給定的整型數組中查找與某一數相等的數的位置，顯然對於沒有排序的數組而言，需要從數組頭部開始向後遍歷比較，那麼這個主體遍歷循環就跟數組的長度有關，即演算法復雜度為O(n)。

B. 演算法時間復雜度o(1)和o(2)的區別

O後面的括弧中有一個函數，指明某個演算法的耗時/耗空間與數據增長量之間的關系。其中的n代表輸入數據的量。

時間復雜度為O(n)，就代表數據量增大幾倍，耗時也增大幾倍。比如常見的遍歷演算法。所以O(2)相比於O(1)數據量會更多，同時需要執行的時間會更多。

一般情況下，演算法中基本操作重復執行的次數是問題規模n的某個函數，用T(n)表示，若有某個輔助函數f(n),存在一個正常數c使得fn*c>=T(n)恆成立。記作T(n)=O(f(n)),稱O(f(n)) 為演算法的漸進時間復雜度，簡稱時間復雜度。

(2)演算法中o擴展閱讀

時間復雜度O(n^2)，就代表數據量增大n倍時，耗時增大n的平方倍，這是比線性更高的時間復雜度。比如冒泡排序，就是典型的O(n^2)的演算法，對n個數排序，需要掃描n×n次。

比如O(logn)，當數據增大n倍時，耗時增大logn倍（這里的log是以2為底的，比如，當數據增大256倍時，耗時只增大8倍，是比線性還要低的時間復雜度）。二分查找就是O(logn)的演算法，每找一次排除一半的可能，256個數據中查找只要找8次就可以找到目標。

O(nlogn)同理，就是n乘以logn，當數據增大256倍時，耗時增大256*8=2048倍。這個復雜度高於線性低於平方。歸並排序就是O(nlogn)的時間復雜度。

C. C語言中的演算法里，時間復雜度可以記為O(N平方)。字母O 表示什麼

計算機科學中，演算法的時間復雜度是一個函數，它定量描述了該演算法的運行時間。這是一個關於代表演算法輸入值的字元串的長度的函數。時間復雜度常用大O符號表述，不包括這個函數的低階項和首項系數。
代表「order of ...」（……階）的大 O，最初是一個大寫的希臘字母希臘字母'Ο'（Omicron），現今用的是大寫拉丁字母『O』。

D. 演算法分析中O（n）什麼含義

O（n） 表示運行時間的上界 通俗點說就是演算法運行的最壞情況該程序有三重循環 由c[i][j]=c[i][j]+a[i][k]*b[k][j];可知進行一次乘法必進行一次加法 故T（n)<=n^3+n^3=2n^3=cn^3故T（n）=O（g（n））=O（n^3)

E. 演算法中描述復雜度的大O是什麼意思

在「計算機演算法復雜性分析」課程中，通常使用大 O 符號表述時間復雜度。常見的有：（1）、O(n²)：表示當 n 呈線性增長時，計算量按 n² 規律增大。該種演算法是效率最低的一種。
（2）、再例如：要在一個大小為 n 的整數數組中，找到一個該數組裡面的最大的一個整數，因此你需要把 n 個整數都掃描一遍，操作次數為 n，那麼該時間復雜度就是O(n)。

F. 演算法 o（1）什麼意思

是常數階時間復雜度。

一般情況下，演算法的基本操作重復執行的次數是模塊n的某一個函數f(n)，因此，演算法的時間復雜度記做：T(n)=O(f(n))按數量級遞增排列

常見的時間復雜度有：常數階O(1),對數階O(log2n),線性階O(n),線性對數階O(nlog2n),平方階O(n^2)，立方階O(n^3),...，k次方階O(n^k),指數階O(2^n)。隨著問題規模n的不斷增大，上述時間復雜度不斷增大，演算法的執行效率越低。

(6)演算法中o擴展閱讀：

演算法（Algorithm）是指解題方案的准確而完整的描述，是一系列解決問題的清晰指令，演算法代表著用系統的方法描述解決問題的策略機制。也就是說，能夠對一定規范的輸入，在有限時間內獲得所要求的輸出。

如果一個演算法有缺陷，或不適合於某個問題，執行這個演算法將不會解決這個問題。不同的演算法可能用不同的時間、空間或效率來完成同樣的任務。一個演算法的優劣可以用空間復雜度與時間復雜度來衡量。

演算法中的指令描述的是一個計算，當其運行時能從一個初始狀態和（可能為空的）初始輸入開始，經過一系列有限而清晰定義的狀態，最終產生輸出並停止於一個終態。一個狀態到另一個狀態的轉移不一定是確定的。隨機化演算法在內的一些演算法，包含了一些隨機輸入。

G. 演算法復雜度中的O底數是多少

如果沒有特別說明，像logn這樣的，一般底數是10，這個是毋庸置疑的。但我所了解的嚴蔚敏老師的《數據結構》里，一般對數都是有底數的，像這種求復雜度的一般底數是2的比較多，像這樣logn的一般是不會在《數據結構》中出現，在數學方面會出現的比較多，是以10為底的。如果出現的話，覺得還是以10為底的（除書中特別聲明）。

H. 數學分析中的O和演算法中的O是一回事嗎我

按定義來講是一回事, 是統一的記號, 只不過演算法分析里的O大多數時候僅用於n->oo時的無窮大量(當然, O(1)不是無窮大量, 只是有界量), 而數學分析里則還經常會用於無窮小量

I. 數學分析中的O和演算法中的O 是一回事嗎 我沒分了,

你說的演算法中的O是指時間的復雜度吧,不能完全看作一回事,數分中有極限的過程,而在演算法中表示一種階數,演算法中的O(n),表示與n有相同的階數,在n前面可以加上任意一個確定的倍數,比如3n,5n,100n,都可以看成O(n),這是我自己的看法,僅供參考哈