如果Big Omega是下界，那么最坏情况下的时间复杂度为Big Omeca(n(意味着什么
从书中"使用python的数据结构和算法"；Michael T.Goodrich：
考虑一个动态数组，当元素达到其容量时，该数组的大小会翻倍
这本书：
"我们充分探索了append方法。在最坏的情况下，它需要Ω(n(时间，因为底层数组被调整了大小，但它使用了摊销意义上的O(1(时间"；
参数化版本pop(k(删除索引k<n列表的，将所有后续元素向左移动以填补移除。此操作的效率为O(n−k(，即换档量取决于索引k的选择。请注意意味着pop(0(是使用Ω(n(时间的最昂贵的调用。
how is"Ω(n("；描述了最昂贵的时间？
括号内的数字是实际执行操作所必须执行的操作数，始终表示为所处理项目数的函数。你永远不会担心这些操作有多难，只担心它们的总数。
如果数组已满并且必须调整大小，则需要将所有元素复制到新数组中。数组中每个项一个操作，因此是O(n(运行时。然而，大多数情况下，您只为O(1(运行时执行一个操作。
常见值为：
O(1(：只有一个操作，例如在列表未满时将其添加到列表中。
O(logn(：这通常发生在你进行二进制搜索或类似搜索来找到你的目标时。请注意，没有指定日志的基，因为差异只是一个常量，并且您总是忽略常量。
O(n(：数据集中每个项目一个操作。例如，未排序的搜索。
O(n log n(：通常出现在好的排序例程中，你必须处理每一项，但可以边走边分。
O(n^2(：通常遇到的情况是，你必须考虑数据集中两个项目的每次交互，却没有办法组织它。例如，我很久以前写的一个例程，用来查找几乎重复的图片。(精确的重复将通过制作一个哈希字典来处理，并测试哈希是否存在，因此是O(n(——这两次传递是一个常数并被丢弃，你不会说O(2n(。(
O(n^3(：当你达到这个高度时，你会非常仔细地考虑。现在，您将看到数据集中项目的三方交互。
更高的订单可能存在，但你需要仔细考虑它将要做什么。我交付的生产代码是O(n^8(，但路径修剪非常严重，甚至需要12个小时才能运行。如果数据的性质不利于这种修剪，我根本不会写它——代码仍在运行。
你偶尔会遇到更糟糕的事情，需要仔细考虑它是否可以忍受。对于大型数据集，它们是不可能的：
O(2^n(：现实世界中的例子：试图修剪路径以保留最小生成树——我计算了所有可能的树，并保留了最便宜的树。几个实验表明，n从未超过10，我认为我还可以——直到另一个种子产生了n=22。我重写了程序，因为它并不总是完美的答案，而是O(n^2(。
奥：我不知道有什么例子。它爆炸得非常快。