我坐在这里，在一个关于海量数据集算法的课程中完成这项作业，尽管我对 Big-Oh 非常有信心，但 Little-Oh 符号的使用让我感到困惑。
我不想要任务的解决方案，因此我不会介绍它。相反，我的问题是我如何解释时间复杂度o(log n)？
我从定义中知道，算法 A 的增长速度必须比 o(log n) 慢，但我不确定这是否意味着算法必须在恒定时间内运行，或者它是否仍然允许为log n在某些条件下，例如 c = 1 或者如果它真的是log (n-1)。
假设一个算法的运行时间为O(log n)但实际上进行了两次迭代，因此 c = 2，但2*log n仍然是O(log n)，当我说这不成立时，我说得对吗小哦？
非常感谢任何帮助，如果需要澄清，我将提供作业
说 the fis 'little-oh-of g' f = o(g)，意味着商
|f(x)/g(x)|
接近 0 时x接近无穷大。参考您的示例o(log n)，该类包含类似的功能log x / log (log x)，sqrt(log x)以及更多功能，因此o(log x)绝对不暗示O(1). 另一方面，log (x/2) = log x - log 2，所以
log (x/2) / log x = 1 - log 2 / log x -> 1
并且log (x/2)不在课堂o(log x)上。
对于 Little-Oh，对于所有 x，f(x) 不必小于 g(x)。只有在 x 的某个值之后它才必须更小。（对于你的问题，在一定条件下还是允许log n的。）
例如：
let f(x) = 5000x and g(x) = x^2
当 x 接近无穷大时，f(x) / g(x) 为 0，因此 f(x) 是 g(x) 的 litte-o。但是，在 x = 1 时，f(x) 大于 g(x)。只有在 x 大于 5000 之后，g(x) 才会大于 f(x)。
little-o 真正告诉我们的是 g(x) 总是以比 f(x) 更快的速度增长。例如，看看在 x = 1 和 x = 2 之间 f(x) 增长了多少：
f(1) = 5000
f(2) = 10000 - f(x) became twice as big
现在查看相同间隔的 g(x)：
g(1) = 1
g(2) = 4 - g(x) became four times bigger
当 x 值越大时，这个比率会增加得更多。现在，由于 g(x) 以更快的速度增加，并且因为我们将 x 取到无穷大，所以在某些时候它会变得大于 f(x)。但这不是 little-o 所关心的，而是变化率。