由於我們是以f(n)最壞情況分析的，所以，我們可以100%保證在輸入規模超過臨界條件n0時，演算法的執行時間一定不會高於漸近上確界，但是並不能100%保證演算法執行時間不會低於漸近下確界，而只能100%保證演算法的最壞執行時間不會低於漸近下確界。
f(n)不是確定的，他是在乙個範圍內變動的，那麼我們關心哪個f(n)呢？一般我們在分析演算法時，使用最壞情況下的f(n)來評價演算法效率，原因有如下兩點：
1.如果知道了最壞情況，我們就可以保證演算法在任何時候都不能比這個情況更壞了。
2.很多時候，演算法執行發生最壞情況的概率還是很大的，如查詢問題中待查元素不存在的情況。且在很多時候，平均情況的漸近時間複雜度和最壞情況的漸近時間複雜度是乙個量級的。
演算法複雜度 時間複雜度和空間複雜度
1 時間複雜度 1 時間頻度 乙個演算法執行所耗費的時間，從理論上是不能算出來的，必須上機執行測試才能知道。但我們不可能也沒有必要對每個演算法都上機測試，只需知道哪個演算法花費的時間多，哪個演算法花費的時間少就可以了。並且乙個演算法花費的時間與演算法中語句的執行次數成正比例，哪個演算法中語句執行次數...
演算法複雜度 時間複雜度和空間複雜度
演算法複雜度 時間複雜度和空間複雜度 關鍵字 演算法複雜度 時間複雜度 空間複雜度 1 時間複雜度 1 時間頻度 乙個演算法執行所耗費的時間，從理論上是不能算出來的，必須上機執行測試才能知道。但我們不可能也沒有必要對每個演算法都上機測試，只需知道哪個演算法花費的時 間多，哪個演算法花費的時間少就可以...
演算法複雜度 時間複雜度和空間複雜度
演算法的時間複雜度是指執行演算法所需要的計算工作量。n稱為問題的規模，當n不斷變化時，時間頻度t n 也會不斷變化。但有時我們想知道它變化時呈現什麼規律。為此，我們引入時間複雜度概念。一般情況下，演算法中基本操作重複執行的次數是問題規模n的某個函式，用t n 表示，若有某個輔助函式f n 存在乙個正...