我正在学习算法分析和BIG-O符号。有这些练习示例供参考：
示例1：查找f（n）= 3n 8
的上限解决方案： 3N 8≤4N，对于所有n≥8
∴ 3n + 8 = O(n) with c = 4 and n0 = 8
另一个，
示例2：查找F（n）= n^2 1
的上限解决方案： n^2 1≤2（n^2），对于所有n≥1
∴ n^2 + 1 = O(n^2) with c = 2 and n0 = 1
现在来了下一个示例，是让我烦恼的示例，
示例-3：查找f（n）= 2n^3 - 2n^2
的上限 ∴ 2n^3 – 2n^2 = O(n^3 ) with c = 2 and n0 = 1
为什么在最后一个示例中使用2n^3进行比较？
表示在每个示例中，我们使用更大的值，即在第一个示例中我们使用4N，因为该方程为3N作为最大限制，
在第二个示例中，我们使用了2（n^2），因为n^2是该方程中的最大值。
现在，这意味着在第三式中我们应该使用3（n^3）而不是2（n^2）。
。也许我在这里没有得到东西，您能详细说明缺失的作品吗？
在这里对C和N0的需求是什么。N0是我们考虑给定算法的增长率的点，但是为什么C？我是算法分析的新手。
术语被替换，因此所有指数均相同。对于上限，您想用更大的值替换它们。增加指数将产生较大的正值值，但是对于否定术语，您可以用0代替0，删除该术语。
对于3n + 8，3n + n是上限，因为8 <= n用于n > n0。
对于n^2 + 1，n^2 + n^2是上限，因为1 <= n^2用于n > n0。
对于3n^3 - 2n^2，3n^3 + 0是一个上限，因为-2n^2 <= 0用于n > n0。
c和n0是因为它们是Big-O的定义的一部分：
`f(n) = O(g(n))` means that `f(n) <= c.g(n)` for some c and large enough n
通过查找c和n0的值，您可以证明某些功能适合此定义，其中c是您将g乘以使其大于f所需的功能。