线性搜索所花费时间的最坏情况是项目位于列表/数组的末尾，或者不存在。在这种情况下,该算法将需要执行n比较,看看每个元素所需的值,假设n是数组的长度/列表。
根据我对大O符号的理解，可以说这个算法的时间复杂度是O(n)，因为最坏的情况可能会发生，当我们想对"最坏情况"做出保守估计时，就会使用大O。
从Stack Overflow上的许多帖子和回答来看，这种想法似乎是有缺陷的，例如Big-O符号与最坏情况分析无关。
请帮助我以一种不会增加我困惑的方式理解这种区别，因为这里的答案是:为什么大哦并不总是算法的最坏情况分析?做。
我不明白为什么大0与最坏情况分析无关。从我目前的角度来看，大0表示的是随着输入大小的增长，最坏情况是如何增长的，这似乎非常"符合"。有最坏情况分析
像这样的语句，来自https://medium.com/omarelgabrys-blog/the-big-scary-o-notation-ce9352d827ce:
作为一个例子，最坏情况分析给出了假设输入处于最坏可能状态下的最大操作数，而大0符号表示在最坏情况下完成的最大操作数。
没有多大帮助，因为我看不出这里指的是什么区别。
非常感谢任何补充说明。
大0符号确实独立于最坏情况分析。它适用于任何你想要的函数。
对于线性搜索，
-
最坏情况复杂度为O(n)(实际上甚至Θ(n))，
-
平均情况复杂度是O(n)(实际上甚至是Θ(n))，
-
最好的情况复杂度是0(1)(实际上甚至是Θ(1))。
所以大o和最坏情况是不同的概念，尽管算法运行时间的大o界必须适用于最坏情况。
情况如下:
如果一个算法找到一个问题的解在
O(f(n))中，则表示该算法找到这个问题的解的最坏情况是在O(f(n))中。换句话说，如果算法能在g(n)步中找到最坏的情况，那么g(n)就在O(f(n))中。
例如，对于搜索算法，正如你所提到的，我们知道最坏的情况可以在O(n)中找到。现在，虽然算法在O(n)中，我们可以说算法也在O(n^2)中。如你所见，这就是Big-Oh复杂性和最坏情况的区别。
总而言之，算法的最坏情况复杂度是算法的Big-Oh复杂度的一个子集。