演算法o

『壹』 數學分析中的O和演算法中的O 是一回事嗎

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

『貳』 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

『叄』 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。

(3)演算法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。

『肆』 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。
(4)演算法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。
參考資料來源：網路-演算法

『伍』 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)。

『陸』 演算法時間復雜度o(1)和o(2)的區別

根據大O定義易知，O（1） = O（2）。用O(1)和O(2)表示同一個函數時，差別僅在於常數因子c而已。

兩個都是時間復雜度為常量。復雜度是用來表達演算法的復雜程度跟演算法輸入的規模N的關系。如果不管N是多大，演算法的復雜程度都固定是1或者2（比如1條指令，2個循環），那麼在「復雜度」這個概念上，兩者都一樣，叫做「常數階」復雜度。

O(g(n)) = { f(n) ：存在這樣的正常數c和n0，使得對任意的n >= n0， 有0 <= f(n) <= cg(n)成立}，則g(n)是f(n)的漸進上界。O（g(n)）是指所有與g(n)具有相同增長率或比其增長率小的函數的集合。

(6)演算法o擴展閱讀：

常見的時間復雜度：

按數量級遞增排列，常見的時間復雜度有：

常數階O(1)；對數階復雜度，即O(log2n)，比如有序數組的二分查找；線性階O(n)，比如鏈式表的隨機訪問；線性對數階O(nlogn)，比如某些排序演算法；平方階O(n^2)，立方階O(n^3)等等。有些演算法特別復雜，復雜度可能是O(n!)，O(n^n)等等。

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。

參考資料來源：網路--時間復雜度

『柒』 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。

(7)演算法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。

『捌』 演算法的O、Ω和 Θ記號的概念

希臘字母對希臘文明乃至西方文化影響深遠。《新約》里，神說：「我是阿爾法，我是歐米伽，首先的，我是最後的，我是初，我是終。」（聖經啟示錄22:13）。在希臘字母表裡，第一個字母是 「Α，α 」（Alpha），代表開始，最後一個字母是 「Ω， ω」 歐米伽（Omega），代表終了。這正是《新約》用希臘語寫作的痕跡。

概念：
Θ θ，音名θῆτα，希臘語字母名稱叫做/ˈθita/，美國英語叫做theta(國際音標/'θitə/)。
Ο ο，Omicron(國際音標/'ɑmɪ,krɑn/)字面上的意思是「小的 O」（ὄμικρόν），以便與ω「ὦμέγα，大 O」區別，與美國英語母音字母o相似。
Φ φ，希臘小寫字母φ，左上角的彎是開口的；而用作符號時，通常會寫作ф，變了一個縮小了的大寫Φ的形狀，美國英語叫做phi(國際音標/faɪ/)。
框架梁中的上部通長筋與支座負彎筋直徑相同時，通長筋綁扎接頭連接范圍，在凈跨中間的1/3位置內，搭接LlE（Ll）長度；
框架梁中的上部通長筋直徑小於支座負彎筋時，通長筋綁扎接頭連接范圍，在凈跨中間的1/3伸向支座負彎筋凈跨的1/3斷點內位置，搭接各LlE（Ll）長度，見；
框架梁中的架立筋與支座負彎筋連接，架立筋在凈跨中間的1/3伸向支座負彎筋凈跨的1/3斷點內位置，各150mm長度；
框架梁中的下部縱向受力鋼筋，中支座在支座范圍外連接，要離中支座內側≥1.5h0 避開箍筋加密區，搭接LlE（Ll）長度。
Ω ω，Omega字面上的意思是「大 O」（ὦμέγα），以便與字母 ο「ὄμικρόν，小 O」區別。美國英語叫做omega(國際音標/omiga/)，用作指事情的終結，對應指開始的alpha。