这是我关于数据结构的第一门课程，我们每讲一门讲座/ TA讲座O(log(n))。这可能是一个愚蠢的问题，但是如果有人可以向我确切解释这是什么意思，我将不胜感激！
Answers:
这意味着所讨论的事物（通常是运行时间）的缩放比例与其输入大小的对数一致。
Big-O表示法并不意味着确切的方程式，而是一个界限。例如，以下函数的输出均为O（n）：
f(x) = 3x
g(x) = 0.5x
m(x) = x + 5
因为当你增加X，它们的输出都增加而线性-如果有一个6：1之间的比例f(n)和g(n)，也将有大约6：1的比例之间f(10*n)和g(10*n)等。
至于是否O(n)还是O(log n)比较好，可以考虑：如果n = 1000，那么log n = 3（日志基-10）。您希望算法运行哪一个：1000秒或3秒？
f(x)，g(x)，m(x)也为O（n ^ 2）。但是在性能分析的上下文中，我们希望tightest边界（即，限制给定算法性能曲线的最小函数）为我们提供算法性能的“最坏情况”构想。
2 ** 4，而在Amber的代码中示例是10 ** 3；如何确定参数？
对于简短的答案，O（log n）优于O（n）
现在O（log n）到底是什么？
通常，当提到大O表示法时，log n表示以2为底的对数（ln表示底e的对数的方式相同）。这个以2为底的对数是指数函数的反函数。指数函数的增长非常快，我们可以直观地推断出它的反函数会做正相反的事情，即增长非常缓慢。
例如
x = O（log n）
我们可以将n表示为
n = 2 x
和
2 10 = 1024→lg（1024）= 10
2 20 = 1,048,576→lg（1048576）= 20
2 30 = 1,073,741,824→lg（1073741824）= 30
n的大增量只会导致log（n）的增加很小
另一方面，对于O（n）的复杂度，我们得到线性关系
随时应将因数2 n取为n的因数。
为了进一步巩固这一点，我在《Thomas Cormen解锁的算法》中遇到了一个例子
考虑两台计算机：A和B
两台计算机都有一个在数组中搜索值的任务。假设数组中有1000万个元素要搜索
计算机A-此计算机每秒可以执行10亿条指令，并有望使用复杂度为O（n）的算法执行上述任务。我们可以估计这台计算机完成任务所需的时间为
N /（指令P个第二）→10 7 /10 ^ 9 =0.01秒
计算机B：这台计算机的速度要慢得多，每秒只能执行1000万条指令。期望计算机B使用复杂度为O（log n）的算法执行上述任务。我们可以估算出这台计算机完成任务所需的时间为
log（n）/（指令p秒）→log（10 7）/ 10 7 = 0.000002325349
通过此插图，我们可以看到，尽管计算机A比计算机B更好，但由于计算机B使用的算法，它可以更快地完成任务。
我认为现在应该很清楚为什么O（log（n））比O（n）快得多
http://en.wikipedia.org/wiki/Big_oh
O（log n）更好。
O（logn）表示算法的最大运行时间与输入大小的对数成正比。O（n）表示算法的最大运行时间与输入大小成正比。
基本上，O（某物）是算法指令数（原子指令）的上限。因此，O（logn）比O（n）更严格，并且在算法分析方面也更好。但是所有的O（logn）算法也都是O（n），但不是向后...