我知道如何为每个算法计算bigO，以及它的工作原理。例如，在链表中找到一个特定的数字将是O（N），因为你可能必须从头到尾地查看链表中的每个输入。然而，bigO在时间方面究竟意味着什么？为什么合并排序可以比插入排序运行得更快，即使插入排序具有更快的"时间复杂性"？请给我你的意见，这样我才能理解。非常感谢。
看看这个例子：
假设您有两个算法A₁和A₂。它们也这样做，但第一个的复杂度为Θ(n)，第二个的复杂程度为Θ(n²)。两种算法的运行时间不同。你不能根据复杂性来计算运行时间，因为它取决于确切的实现、运行的计算机、你在复杂性中看不到的东西以及其他东西。但你可以通过复杂性来预测运行时间的变化。假设您将输入从长度n更改为长度2n，意味着您将输入长度增加一倍。那么A₁的运行时间也应该（几乎）翻倍，但A₂的运行时间应该是(2n)² = 4n²的大约4倍。
要解决插入排序与合并排序的示例：插入排序的复杂度为O(n²)，合并排序的复杂程度为O(n log n)。所以合并排序比插入排序具有更好的复杂性，并且应该运行得更快。也许（对于非常短的列表）插入排序比合并排序运行得更快，因为合并排序在big-o表示法中隐藏了更大的常量因子。
您遇到的问题在初学者级别非常常见。我建议你多读一些关于"渐近符号"的书。（互联网上有很多有用的视频和网站可以解释这一点）渐近分析考虑的是算法在应用于大型数据库时的性能。渐近概念基本上有三种类型——
- 大O
- 大欧米茄
- Theta
当我们有渐近上界时，使用大O，即当存在正常数c和n时，g（n）的大O等于f（n）0<f（n）<c g（n）对于所有n>=n0。（也就是说，你定义一个极大值的方式是，你的曲线f（n）总是位于或低于该点。
当我们有渐近下界时，使用Big Omega
当同时有上界和下界时，使用Theta
现在，回到您的问题——插入排序的复杂性为O（n²），合并排序为O（nlogn）。在较大的值下（n²）往往具有比（n-logn）更大的值
假设n=100。
在插入排序中，值为10000，而
对于合并排序，值为（100 log 100），即100.2->200。
因此，您可以看到合并排序将比插入排序运行得快得多。