算法o

‘壹’ 数学分析中的O和算法中的O 是一回事吗

你说的算法中的O是指时间的复杂度吧，不能完全看作一回事，数分中有极限的过程，而在算法中表示一种阶数，算法中的O(n)，表示与n有相同的阶数，在n前面可以加上任意一个确定的倍数，比如3n, 5n, 100n,都可以看成O(n)，这是我自己的看法，仅供参考哈

‘贰’ 数学分析中的O和算法中的O是一回事吗我

按定义来讲是一回事, 是统一的记号, 只不过算法分析里的O大多数时候仅用于n->oo时的无穷大量(当然, O(1)不是无穷大量, 只是有界量), 而数学分析里则还经常会用于无穷小量

‘叁’ 算法 o（1）什么意思

是常数阶时间复杂度。

一般情况下，算法的基本操作重复执行的次数是模块n的某一个函数f(n)，因此，算法的时间复杂度记做：T(n)=O(f(n))按数量级递增排列

常见的时间复杂度有：常数阶O(1),对数阶O(log2n),线性阶O(n),线性对数阶O(nlog2n),平方阶O(n^2)，立方阶O(n^3),...，k次方阶O(n^k),指数阶O(2^n)。随着问题规模n的不断增大，上述时间复杂度不断增大，算法的执行效率越低。

(3)算法o扩展阅读：

算法（Algorithm）是指解题方案的准确而完整的描述，是一系列解决问题的清晰指令，算法代表着用系统的方法描述解决问题的策略机制。也就是说，能够对一定规范的输入，在有限时间内获得所要求的输出。

如果一个算法有缺陷，或不适合于某个问题，执行这个算法将不会解决这个问题。不同的算法可能用不同的时间、空间或效率来完成同样的任务。一个算法的优劣可以用空间复杂度与时间复杂度来衡量。

算法中的指令描述的是一个计算，当其运行时能从一个初始状态和（可能为空的）初始输入开始，经过一系列有限而清晰定义的状态，最终产生输出并停止于一个终态。一个状态到另一个状态的转移不一定是确定的。随机化算法在内的一些算法，包含了一些随机输入。

‘肆’ 算法 o（1）什么意思

是常数阶时间复杂度。
一般情况下，算法的基本操作重复执行的次数是模块n的某一个函数f(n)，因此，算法的时间复杂度记做：T(n)=O(f(n))按数量级递增排列
常见的时间复杂度有：常数阶O(1),对数阶O(log2n),线性阶O(n),线性对数阶O(nlog2n),平方阶O(n^2)，立方阶O(n^3),...，k次方阶O(n^k),指数阶O(2^n)。随着问题规模n的不断增大，上述时间复杂度不断增大，算法的执行效率越低。
(4)算法o扩展阅读：
算法（Algorithm）是指解题方案的准确而完整的描述，是一系列解决问题的清晰指令，算法代表着用系统的方法描述解决问题的策略机制。也就是说，能够对一定规范的输入，在有限时间内获得所要求的输出。
如果一个算法有缺陷，或不适合于某个问题，执行这个算法将不会解决这个问题。不同的算法可能用不同的时间、空间或效率来完成同样的任务。一个算法的优劣可以用空间复杂度与时间复杂度来衡量。
算法中的指令描述的是一个计算，当其运行时能从一个初始状态和（可能为空的）初始输入开始，经过一系列有限而清晰定义的状态，最终产生输出并停止于一个终态。一个状态到另一个状态的转移不一定是确定的。随机化算法在内的一些算法，包含了一些随机输入。
参考资料来源：网络-算法

‘伍’ 算法中描述复杂度的大O是什么意思

在“计算机算法复杂性分析”课程中，通常使用大 O 符号表述时间复杂度。常见的有：（1）、O(n²)：表示当 n 呈线性增长时，计算量按 n² 规律增大。该种算法是效率最低的一种。
（2）、再例如：要在一个大小为 n 的整数数组中，找到一个该数组里面的最大的一个整数，因此你需要把 n 个整数都扫描一遍，操作次数为 n，那么该时间复杂度就是O(n)。

‘陆’ 算法时间复杂度o(1)和o(2)的区别

根据大O定义易知，O（1） = O（2）。用O(1)和O(2)表示同一个函数时，差别仅在于常数因子c而已。

两个都是时间复杂度为常量。复杂度是用来表达算法的复杂程度跟算法输入的规模N的关系。如果不管N是多大，算法的复杂程度都固定是1或者2（比如1条指令，2个循环），那么在“复杂度”这个概念上，两者都一样，叫做“常数阶”复杂度。

O(g(n)) = { f(n) ：存在这样的正常数c和n0，使得对任意的n >= n0， 有0 <= f(n) <= cg(n)成立}，则g(n)是f(n)的渐进上界。O（g(n)）是指所有与g(n)具有相同增长率或比其增长率小的函数的集合。

(6)算法o扩展阅读：

常见的时间复杂度：

按数量级递增排列，常见的时间复杂度有：

常数阶O(1)；对数阶复杂度，即O(log2n)，比如有序数组的二分查找；线性阶O(n)，比如链式表的随机访问；线性对数阶O(nlogn)，比如某些排序算法；平方阶O(n^2)，立方阶O(n^3)等等。有些算法特别复杂，复杂度可能是O(n!)，O(n^n)等等。

k次方阶O(n^k),指数阶O(2^n)。随着问题规模n的不断增大，上述时间复杂度不断增大，算法的执行效率越低。

参考资料来源：网络--时间复杂度

‘柒’ 算法时间复杂度o(1)和o(2)的区别

O后面的括号中有一个函数，指明某个算法的耗时/耗空间与数据增长量之间的关系。其中的n代表输入数据的量。

时间复杂度为O(n)，就代表数据量增大几倍，耗时也增大几倍。比如常见的遍历算法。所以O(2)相比于O(1)数据量会更多，同时需要执行的时间会更多。

一般情况下，算法中基本操作重复执行的次数是问题规模n的某个函数，用T(n)表示，若有某个辅助函数f(n),存在一个正常数c使得fn*c>=T(n)恒成立。记作T(n)=O(f(n)),称O(f(n)) 为算法的渐进时间复杂度，简称时间复杂度。

(7)算法o扩展阅读

时间复杂度O(n^2)，就代表数据量增大n倍时，耗时增大n的平方倍，这是比线性更高的时间复杂度。比如冒泡排序，就是典型的O(n^2)的算法，对n个数排序，需要扫描n×n次。

比如O(logn)，当数据增大n倍时，耗时增大logn倍（这里的log是以2为底的，比如，当数据增大256倍时，耗时只增大8倍，是比线性还要低的时间复杂度）。二分查找就是O(logn)的算法，每找一次排除一半的可能，256个数据中查找只要找8次就可以找到目标。

O(nlogn)同理，就是n乘以logn，当数据增大256倍时，耗时增大256*8=2048倍。这个复杂度高于线性低于平方。归并排序就是O(nlogn)的时间复杂度。

‘捌’ 算法的O、Ω和 Θ记号的概念

希腊字母对希腊文明乃至西方文化影响深远。《新约》里，神说：“我是阿尔法，我是欧米伽，首先的，我是最后的，我是初，我是终。”（圣经启示录22:13）。在希腊字母表里，第一个字母是 “Α，α ”（Alpha），代表开始，最后一个字母是 “Ω， ω” 欧米伽（Omega），代表终了。这正是《新约》用希腊语写作的痕迹。

概念：
Θ θ，音名θῆτα，希腊语字母名称叫做/ˈθita/，美国英语叫做theta(国际音标/'θitə/)。
Ο ο，Omicron(国际音标/'ɑmɪ,krɑn/)字面上的意思是“小的 O”（ὄμικρόν），以便与ω“ὦμέγα，大 O”区别，与美国英语元音字母o相似。
Φ φ，希腊小写字母φ，左上角的弯是开口的；而用作符号时，通常会写作ф，变了一个缩小了的大写Φ的形状，美国英语叫做phi(国际音标/faɪ/)。
框架梁中的上部通长筋与支座负弯筋直径相同时，通长筋绑扎接头连接范围，在净跨中间的1/3位置内，搭接LlE（Ll）长度；
框架梁中的上部通长筋直径小于支座负弯筋时，通长筋绑扎接头连接范围，在净跨中间的1/3伸向支座负弯筋净跨的1/3断点内位置，搭接各LlE（Ll）长度，见；
框架梁中的架立筋与支座负弯筋连接，架立筋在净跨中间的1/3伸向支座负弯筋净跨的1/3断点内位置，各150mm长度；
框架梁中的下部纵向受力钢筋，中支座在支座范围外连接，要离中支座内侧≥1.5h0 避开箍筋加密区，搭接LlE（Ll）长度。
Ω ω，Omega字面上的意思是“大 O”（ὦμέγα），以便与字母 ο“ὄμικρόν，小 O”区别。美国英语叫做omega(国际音标/omiga/)，用作指事情的终结，对应指开始的alpha。