我最终会给这个程序一个大约有60000个400像素图像的输入文件，所以我试图了解这个代码如何在大输入的情况下运行。为了可读性，我用"blah"替换了不重要的内容，并用简单的字母（nn、mm和kk）替换了所有ArrayList名称。
for (Perceptron P : nn){
//blah
}
for (Perceptron P : mm) {
//blah
}
for (Perceptron P : kk){
//blah
}
for (Perceptron P : mm) {
for (int i = 0; i < nn; i++) {
//blah
}
for (int j = 0; j < kk; j++){
//blah
}
}
for (Perceptron X : nn){
for (Perceptron Y : mm){
//blah
}
}
for (Perceptron Z : kk){
for (Perceptron Y : mm){
//blah
}
}
我认为答案是O（nn+mm+kk+mm(nn+kk)+nnmm+kkmm）。如果我知道nn是400，mm是300，kk是10，那么这就是O（246710）。但现在我被卡住了。我真的不知道O（246710）是什么意思。我必须一次只计算其中一个变量的big-O吗？如果是这样，那有什么好处？我只是想知道这会如何表现。感谢
Big-O只涉及运行时间中最大的项，在这种情况下是O(mm*(nn+kk))。生成这个术语的代码部分是以下嵌套循环：
for (Perceptron P : mm) {
for (int i = 0; i < nn; i++) {
//blah
}
for (int j = 0; j < kk; j++){
//blah
}
}
如果您向我们揭示kk、mm和nn与图像的实际大小之间的关系，那么我们可以用更有意义的术语给您一个运行时间的界限。
O（N）意味着程序的执行时间与N成线性比例。因此，O（246710）实际上并不意味着什么。
程序的复杂性实际上是O（mm*（nn+kk））。这并不能告诉你特定大小的输入需要多长时间（为此，你需要知道所有单独的操作需要多长时间），只是如果mm的大小翻倍，而所有其他条件保持不变，那么你的程序执行时间大约是以前的两倍。
Big O并没有按照你想象的方式使用。它用于确定最坏的情况。现在，如果nn、mm、kk在数据存储中都是线性的，并且是非嵌套的，那么它就是简单的O('the-largest-chain')。现在我们还不知道nn、mm和kk之间的关系，所以我能告诉你的最好的是；因为你永远不会把它们和自己嵌套在一起，所以它是线性的。
两个快速的例子来展示它的作用。
输入：
int[] arr = {1,2,3}
示例#1
for (int i : arr) {
// do something
}
在这种情况下，Big-O只是O(n)，因为您只从数组的开始到结束进行迭代，它与元素成正比。
示例#2
for (int i : arr) {
for (int j : arr) {
// do something
}
}
现在输入和算法之间的关系是二次的，给出O(n2)。
我建议在这里读一读，或者遵循教程，因为它可以澄清比我的答案多得多的东西。
在您的情况下，您从未嵌套输入，并且由于变量之间没有直接关系，因此Big-O将只是将它们相加。在你的情况下应该是O(mm(nn+kk))
Big-O表示法以输入大小表示时间，此时大小变为无穷大。
首先，您必须决定输入变量。在您的示例中，nn、mm和kk是输入变量。
然后我们计算我们需要进行多少次迭代：
nn + mm + kk + mm(nn + kk) + nn + kk
简化：
2nn + 2kk + mm(nn + kk + 1)
我们有3个项，但当所有项都进入无穷大时，只有具有最高渐近增长阶的项才有意义，它是mm（nn+kk+1）。你真的应该检查渐近阶，因为在这个答案中解释它太长了。
我们将mm（nn+kk+1）简化为毫米（nn+kk） 现在我们有mm（nn+kk），在这里我们在nn和kk中选择生长更快的一个，如何知道哪个生长更快？这取决于你的投入。假设我们选择nn，那么我们有O（mm*nn）。属于O（n^2）类别。
通过对算法的运行时间分析，您有最坏情况、平均情况和最佳情况序比处理器的速度更重要。这与算法执行的操作数有关。（也称为n）
以下是使用Big-O-符号的几个例子：
线性：60n + 5或O（n）。这意味着它需要n次操作，你的普通循环
二次型：2n^2 + 2n或O（n^2）。这在嵌套循环中很常见
对数：number of digits in n或O（1）。这在Dictionaries中使用，并且将在很少的操作后访问元素。（请尝试并记住在适用的情况下应用此选项以提高性能。）
假设所有输入大小都向无穷大移动，则大O表示法应简化为算法的最大最坏情况分母。
所以你的表达式O（nn+mm+kk+mm（nn+kk）+nnmm+kkmm）应该被简化为O（mmnn+mmkk）。
我认为你对复杂性O（nn+mm+kk+mm（nn+kk）+nnmm+kkmm）的精确表达式是正确的。它测量变量的复杂性变化，所以不要用值代替变量，在你的情况下，当nn=400，mm=300，kk=10时，它可以简化为O（nnmm）或O（nnnn）