質問で与えられた時間の複雑さを持つアルゴリズム/ステートメントのグループの例が必要な場合は、ここに小さなリストがあります-
O(1)時間
- 配列インデックスへのアクセス（int a = ARR [5];）
- リンクリストにノードを挿入する
- スタックのプッシュとポップ
- キューへの挿入と削除
- 配列に保存されたツリー内のノードの親または左/右の子を見つける
- 二重リンクリストの次/前の要素にジャンプする
O(n)時間
一言で言えば、すべてのブルートフォースアルゴリズム、または線形性を必要とするNoobアルゴリズムは、O(n)時間の複雑さに基づいています。
- 配列の横断
- リンクリストをたどる
- 線形検索
- リンクリスト内の特定の要素の削除（並べ替えなし）
- 2つの文字列の比較
- パリンドロームの確認
- カウント/バケットソートと、ここでもこのような例が100万個見つかります。
O(log n)時間
- バイナリ検索
- バイナリ検索ツリーで最大/最小数を見つける
- 線形機能に基づく特定の分割統治アルゴリズム
- フィボナッチ数の計算-最適な方法ここでの基本的な前提は、完全なデータを使用せず、反復ごとに問題のサイズを小さくすることです
O(n log n)時間
「log n」の要因は、分割と征服を考慮に入れることによって導入されます。これらのアルゴリズムの一部は最適化されたものであり、頻繁に使用されます。
- ソートのマージ
- ヒープソート
- クイックソート
- O（n ^ 2）アルゴリズムの最適化に基づく特定の分割統治アルゴリズム
O(n^2)時間
これらのアルゴリズムは、対応するO(nlogn)が存在する場合、効率の低いアルゴリズムと見なされます。一般的なアプリケーションはここでブルートフォースかもしれません。
- バブルソート
- 挿入ソート
- 選択ソート
- 単純な2D配列の走査
O(1)の簡単な例はreturn 23;かもしれません-入力が何であれ、これは固定された有限の時間で戻ります。
O(N log N)の典型的な例は、適切なアルゴリズム（たとえば、mergesort）で入力配列をソートすることです。
O(log N)が二分法でソートされた入力配列の値を検索する場合の典型的な例。
O(1) - most cooking procedures are O(1), that is, it takes a constant amount of time even if there are more people to cook for (to a degree, because you could run out of space in your pot/pans and need to split up the cooking)
O（logn）-電話帳で何かを見つけます。バイナリ検索を考えてください。
O（n）-本を読んでください。nはページ数です。本を読むのにかかる最小時間です。
O（nlogn）-マージまたはクイックソートを実行してカードをソートしない限り、nlognである毎日の何かをすぐに考えることはできません！
一般的なアルゴリズムを提供できます...
- O(1): Accessing an element in an array (i.e. int i = a[9])
- O(n log n): quick or mergesort (On average)
- O（log n）：バイナリ検索
これは宿題/インタビューのような質問のように聞こえるので、これらは直感的な反応です。より具体的なものを探している場合、一般の人々は一般的なアプリケーションの基礎となる実装（もちろんオープンソースの節約）を知らないため、一般的な概念は「アプリケーション」にも当てはまらないため、少し難しくなります。
O（1）-二重リンクリストから要素を削除します。例えば.
typedef struct _node {
struct _node *next;
struct _node *prev;
int data;
} node;
void delete(node **head, node *to_delete)
{
.
.
.
}
O(1): finding the best next move in Chess (or Go for that matter). As the number of game states is finite it's only O(1) :-)
次のアルゴリズムをリストに追加できます。
O(1)-数値が偶数か奇数かを判断します。 HashMapでの作業
O(logN)-x ^ Nの計算、
O(N Log N)-最長増加サブシーケンス
ソフトウェアアプリケーションの複雑さは測定されておらず、big-O表記では書かれていません。アルゴリズムの複雑さを測定し、同じドメイン内のアルゴリズムを比較することのみが有用です。ほとんどの場合、O（n）と言うときは、「O（n）comparisons」または「O（n）算術演算」であることを意味します。つまり、アルゴリズムやアプリケーションのペアを比較することはできません。
O（n log n）は、任意のセットをソートできる速度の上限として有名です（高度な並列コンピューティングモデルではなく、標準を想定）。
O（2N）
O（2N）は、入力データセットへの各加算で成長が2倍になるアルゴリズムを示します。 O（2の成長曲線N）関数は指数関数的です-非常に浅いところから始まり、その後、気象的に上昇します。 O（2の例N）関数はフィボナッチ数の再帰計算です：
int Fibonacci (int number)
{
if (number <= 1) return number;
return Fibonacci(number - 2) + Fibonacci(number - 1);
}
0（logn）-バイナリ検索、配列内のピーク要素（複数のピークが存在する場合があります）0（1）-in pythonリストまたは文字列の長さを計算します。 len（）関数は0(1)時間かかります。配列内の要素にアクセスするには、0(1)時間かかります。スタック内のプッシュ操作には0(1)時間かかります。 0（nlogn）-ソートをマージします。 pythonでのソートにはnlogn時間かかります。したがって、listname.sort（）を使用すると、nlogn時間かかります。
注-ハッシュテーブルでの検索には、衝突のために一定の時間がかかる場合があります。