两个for循环的时间复杂度
这个问题在这里已经有了答案：
由于大O符号不是关于比较绝对复杂度，而只是相对的，O（n + n）实际上与O（n）相同。 每次你加倍x，你的代码将会花费两倍于之前的时间，这意味着O（n）。 无论您的代码是通过2,4或20个循环运行都无所谓，因为无论100个元素需要多少时间，200个元素需要两倍的时间，10,000个元素需要100倍的时间，无论多少时间花费在哪个循环中。
这就是为什么大O不会说绝对速度的原因。 无论谁认为O（n ^ 2）函数f（）总是比O（log n）函数g（）慢，都是错误的。 大O符号只是说，如果你继续增加n，就会有一个点g（）以速度超过f（），然而，如果n在练习中总是低于那个点，那么f（）可以在实际的程序代码中总是比g（）快。
例1
我们假设f（x）对于单个元素需要5ms，对于单个元素g（x）需要100ms，但是f（x）是O（n ^ 2），g（x）是O（log2n）。 时间图如下所示：
注：最多7个元素，即使它是O（n ^ 2），f（x）也会更快。
对于8个或更多元素，g（x）更快。
例2
二进制搜索是O（log n），理想的散列表（没有冲突）是O（1），但相信我，散列表并不总是比现实中的二进制搜索更快。 使用一个好的散列函数，散列一个字符串比整个二进制搜索要花费更多的时间。 另一方面，使用较差的散列函数会产生很多冲突，并且冲突越多意味着您的散列表查找实际上不会是O（1），因为大多数散列表以一种方式解决冲突，这种方式将使查找为O（log2 n）或甚至O（n）。
这将是2n，所以是的，你是对的。
它通常只是表示为O（n），虽然它是线性的而不是二次的。
它当然取决于循环内的代码，但我想你已经知道了。
链接地址: http://www.djcxy.com/p/6745.html