我认为这可能是关于大 O 表示法的初学者问题。例如，假设我有一个算法，它递归地分解整个列表（O（n）），然后将它重新组合在一起（O（n））。我假设这意味着效率是 O(n) + O(n)。这是否简化为 2O(n)、O(2n) 或 O(n)？根据我对这个符号的了解，它将是 O(2n)，并且使用渐近符号规则，您可以去掉 2，从而得到 O(n) 的效率。
但是，如果我们试图找到一个下限，这条规则是否仍然适用？如果 Ω(n) + Ω(n) = Ω(2n)，你还能去掉 2 吗？我认为不会，因为您实际上会降低下限（因为 n
【问题讨论】：
标签： analysis asymptotic-complexity big-o
这是否简化为 2O(n)、O(2n) 或 O(n)？"
以上所有，但前两个过于复杂。 O(n) 将是规范符号。
2*N 与 N 成正比，因此如果对于足够大的 N ( O(2*N) )，最大成本不超过与 2*N 成正比，那么最大成本也不超过与 N 成正比对于足够大的 N ( O(N) )。
但是，如果我们试图找到一个下限，这条规则是否仍然适用？
绝对是的。
2*N 与 N 成正比，因此如果对于足够大的 N ( Ω(2*N) )，最小成本不小于与 2*N 成正比，则最小成本也不小于与 N 成正比对于足够大的 N ( Ω(N) )。
例如，假设您有一个算法需要 300 毫秒 + 100*N 毫秒来执行。其速度的下限是 Θ(N)，因此是 Ω(N)。
如果算法的执行时间是原来的两倍怎么办？即使执行时间为 600 ms + 200*N ms，其速度的下限仍然是 Θ(N)，因此是 Ω(N)。
要理解 Θ(N) 等，最重要的一点是这些符号用于研究某事物的缩放程度。一种算法花费的时间是另一种算法的两倍，但没有说明任何一种算法的扩展性如何，因此它们的速度下限可以具有相同的 Ω() 也就不足为奇了。
【讨论】：
它会简化——通常为 O(n)，表明解决问题所花费的时间与问题大小成正比。在这种情况下，写 2O(n) 可能更合适，尽管它的含义相同。
【讨论】：
我相信根据Big-O的定义：
如果对于某个常数 c 和足够大的 n 值，函数 f(n)
因此，例如，如果可以为 c 选择一些值，使 f(n)
Big Omega 的定义类似。
【讨论】：
已经有一段时间了，但我认为你在这两种情况下都是对的。
更新
实际上看起来像Ω(n) + Ω(n) == Ω(n)
【讨论】：