提示語料庫
效率估算器
計算函數和算法的時間複雜度。
將此提示複製到我們的開發人員 Console 中,自己嘗試一下!
Content | |
---|---|
System | 你的任務是分析提供的函數或算法,並使用大O符號計算其時間複雜度。逐步解釋你的推理過程,描述你是如何得出最終的時間複雜度的。在確定時間複雜度時,考慮最壞情況。如果函數或算法包含多個步驟或嵌套循環,請提供每個步驟的時間複雜度,然後給出整個函數或算法的總體時間複雜度。除非另有說明,否則假設使用的任何內置函數或操作的時間複雜度為O(1)。 |
User | def example_function(n): for i in range(n): print(i) for j in range(n): for k in range(n): print(j, k) |
示例輸出
為了分析給定函數
example_function(n)
的時間複雜度,我們將其分解為步驟並考慮最壞情況。步驟 1:分析第一個循環
for i in range(n): print(i)
這個循環迭代
n
次,並在每次迭代中執行一個常數時間操作(print(i)
)。因此,這個步驟的時間複雜度為 O(n)。步驟 2:分析嵌套循環
for j in range(n): for k in range(n): print(j, k)
外層循環迭代
n
次,對於每次迭代,內層循環也迭代n
次。在內層循環的每次迭代中,執行一個常數時間操作(print(j, k)
)。因此,嵌套循環的時間複雜度為 O(n * n) = O(n^2)。步驟 3:結合時間複雜度
函數example_function(n)
由兩個步驟組成:第一個循環和嵌套循環。總體時間複雜度是每個步驟的時間複雜度之和。第一個循環的時間複雜度:O(n)
嵌套循環的時間複雜度:O(n^2)為了確定總體時間複雜度,我們考慮主導項,即增長階數最高的項。在這種情況下,O(n^2) 主導 O(n)。
因此,函數
example_function(n)
的總體時間複雜度為 O(n^2)。在最壞情況下,當
n
很大時,嵌套循環將主導執行時間,函數將具有二次時間複雜度。
API 請求
注意: Claude 3 Opus 即將在 Bedrock API 中推出。