描述算法复杂度的大O表示法

大 ( O ) 表示法的性质

大 ( O ) 表示法（Big-O Notation）用于描述算法的复杂度，主要用于衡量算法的运行时间或空间需求如何随着输入规模增长。它有一些重要的性质和规则，帮助我们简化和分析复杂度。以下是大 ( O ) 的常见性质：

---

1. 忽略常数因子

大 ( $O$ ) 关注的是输入规模的增长率，而与常数因子无关。例如：

$O(5n)=O(n)$.

这是因为对于足够大的 $n$，常数因子对增长率的影响可以忽略。

---

2. 忽略低次项

当复杂度包含多个项时，大 ( $O$ ) 只保留增长最快的项，忽略低次项。例如：

$O(n^2+n+1)=O(n^2)$.

这是因为随着 $n$ 增加，高次项 $n^2$ 的增长速度远快于低次项。

---

3. 加法规则

如果一个算法由多个部分组成，其总复杂度是这些部分复杂度的最大值。例如：

$O(f(n))+O(g(n))=O(\max (f(n),g(n)))$.

举例：

• $O(n^2)+O(n)=O(n^2)$。

---

4. 乘法规则

如果一个算法包含嵌套步骤，总复杂度是各步骤复杂度的乘积。例如：

$O(f(n))\cdot O(g(n))=O(f(n)\cdot g(n))$.
举例：

• 一个双重循环：外层循环 $O(n)$，内层循环 $O(n)$ ，总复杂度为 $O(n\cdot n)=O(n^2)$ 。

---

5. 多项式与指数增长关系

常见的复杂度函数的增长速度从慢到快排序为：

$O(1)<O(\log n)<O(n)<O(n\log n)<O(n^2)<O(2^n)<O(n!)$

举例：

• $O(n\log n)$ 比 $O(n^2)$ 更小，因此更高效。

---

6. 对数的底无关性

大 $O$ 中，$log$ 的底对复杂度无影响，因为不同底的对数之间只差一个常数因子。例如：

$lo{g}_{a}n=\frac{{\log }_{b}n}{{\log }_{b}a}$,

因此：

$O({\log }_{2}n)=O({\log }_{10}n)=O(\log n)$.

---

7. 组合规则

如果一个算法分为两个独立的部分，其总复杂度是两部分复杂度的加法。例如：

• 部分 A 的复杂度为 $O(f(n))$，部分 B 为 $O(g(n))$ ，则总复杂度为 $O(f(n)+g(n))$。

---

8. 常见算法复杂度的实际含义

• $O(1)$：常数时间，与输入规模无关，最优复杂度。
• $O(\log n)$：对数时间，规模翻倍只需多一步，例如二分查找。
• $O(n)$：线性时间，规模增加时运行时间成比例增长。
• $O(n\log n)$：准线性时间，常见于高效排序算法，如归并排序、快速排序。
• $O(n^2)$：二次时间，常见于简单的双重循环算法。
• $O(2^n)$：指数时间，规模稍大时运行时间迅速增加。
• $O(n!)$：阶乘时间，规模稍大时几乎不可处理。

---