在算法复杂度中大O和小o的区别

• 大O记号（O）：

  • 定义：如果存在正常数 CCC 和 n0n_0n0​，使得所有 n≥n0n \geq n_0n≥n0​ 时，f(n)≤C⋅g(n)f(n) \leq C \cdot g(n)f(n)≤C⋅g(n)，则我们说 f(n)f(n)f(n) 是 O(g(n))O(g(n))O(g(n))。

  • 含义：大O记号用于描述算法性能的上界，即算法的运行时间或所需空间不会超过 g(n)g(n)g(n) 的某个常数倍。它是一种保证，表明算法在最坏情况下的表现。

  • 举例：如果一个算法的时间复杂度为 O(n2)O(n^2)O(n2)，则意味着输入规模为 nnn 时，执行时间不会超过 n2n^2n2 的某个常数倍。

• 小o记号（o）：

  • 定义：如果对于任意的正常数 CCC，存在正常数 n0n_0n0​，使得所有 n≥n0n \geq n_0n≥n0​ 时，f(n)<C⋅g(n)f(n) < C \cdot g(n)f(n)<C⋅g(n)，则我们说 f(n)f(n)f(n) 是 o(g(n))o(g(n))o(g(n))

  • 含义：小o记号用于描述一个更严格的上界，即 f(n)f(n)f(n) 的增长率严格小于 g(n)g(n)g(n)。这意味着 f(n)f(n)f(n) 在 nnn 趋向无穷大时与 g(n)g(n)g(n) 相比，增长得更慢，几乎可以忽略不计。

  • 举例：如果一个算法的时间复杂度为 o(n2)o(n^2)o(n2)，则表示该算法的执行时间随 nnn 增大，其增长率低于 n2n^2n2 的任何常数倍，随 nnn 趋向无穷大，比 n2n^2n2 增长得慢得多。