बिग ओ अंकन प्रदर्शन भिन्नता को मापने के लिए एक इकाई मुक्त साधन है, इस प्रकार कम्प्यूटेशनल प्राइमेटिव की सापेक्ष लागतों के लिए अभेद्य है।
संक्षेप में:
बिग ओ अंकन एक इकाई मुक्त, माप के सापेक्ष प्रकार (पूर्ण माप के विपरीत) है। यह केवल प्रदर्शन भिन्नता को माप सकता है, पूर्ण प्रदर्शन नहीं, जिसके लिए स्थिरांक बहुत मायने रखते हैं। लाभ यह है कि यह बड़े पैमाने पर कार्यान्वयन को स्वतंत्र बनाता है, सरल विश्लेषण की अनुमति देकर जो प्राथमिक कार्यों की सापेक्ष लागतों को अनदेखा कर सकता है, जब तक कि इन लागतों में सकारात्मक निश्चित ऊपरी और निचले सीमाएं होती हैं। लेकिन परिणाम यह है कि निरंतर कारक अर्थहीन हैं । फिर भी, अपने इच्छित उद्देश्य के लिए, अन्य आधारों पर स्पर्शोन्मुख जटिलता विश्लेषण पर सवाल उठाया जा सकता है , और देखभाल के साथ विचार किया जाना चाहिए। उदाहरण के लिए, कच्चे इनपुट का आकार विचार करने के लिए सही पैरामीटर नहीं हो सकता है।
पहली टिप्पणी यह है कि आपका प्रश्न काफी सटीक नहीं है। जब आप लगातार 3 एन में उपेक्षा करते हैं , तो वास्तव में "तीन गुना परिवर्तन" होता है, लेकिन दोनों एक ही दर से भिन्न होते हैं, और आप यह दावा नहीं कर सकते हैं कि "[एक] चीज अन्य की तुलना में 3 गुना अधिक तेजी से भिन्न हो रही है"।33n
Landau संकेतन में निरंतरता को नजरअंदाज करने का एक अच्छा कारण यह है कि हमारे पास कोई इकाई नहीं है जिस पर हम भरोसा कर सकें। जब कोई कहता है कि A, B से दो गुना दूर है, तो इसका मतलब किसी भी इकाई से स्वतंत्र रूप से है। हम इस पर सहमत हो सकते हैं भले ही आप इंच में दूरी मापते हैं जबकि मैं इसे प्रकाश-वर्ष में करता हूं। लेकिन पूर्ण दूरी माप के लिए निर्दिष्ट इकाइयों की आवश्यकता होती है, और इसका संख्यात्मक सूत्रीकरण चुने हुए इकाई पर निर्भर करता है।
एक एल्गोरिथ्म द्वारा लिया गया वास्तविक समय प्राथमिक कार्यों के निष्पादन समय पर निर्भर करता है, जो बहुत मशीन पर निर्भर है। आप प्राथमिक कार्यों की संख्या की गणना कर सकते हैं, लेकिन यह विश्वास करने का कोई कारण नहीं है कि वे सभी एक ही समय लेते हैं, और हमेशा कई ऑपरेशनों को एक ही में संयोजित करना संभव होता है, या छोटे रूप में एक ऑपरेशन को विघटित करते हैं, ताकि संख्या जब तक आप एक संदर्भ वर्चुअल मशीन पर सहमत नहीं होते हैं तब तक संचालन वास्तव में सार्थक नहीं है। संदर्भ स्वतंत्र होने का एक फायदा है।
दृष्टिकोण के लाभ का एक और दृष्टिकोण यह है कि विश्लेषण में आप सभी को ध्यान में रखते हुए प्रारंभिक संचालन की संख्या की गिनती कर रहे हैं, जब तक कि उनकी लागत में एक ऊपरी सीमा होती है और एक सकारात्मक निचली सीमा होती है। आपको व्यक्तिगत लागत के बारे में चिंता करने की आवश्यकता नहीं है।
हालांकि, उस लाभ के लिए भुगतान करने की कीमत यह है कि गणना लागत का आकलन अनिर्दिष्ट इकाई के साथ दिया गया है, और गणना समय, उदाहरण के लिए, नैनोसेकंड या मिलेनिया हो सकता है - हम जानने की कोशिश भी नहीं करते हैं। दूसरे शब्दों में, निरंतर कारक निरर्थक हैं, क्योंकि बदलती इकाइयाँ निरंतर कारक बदलने से अविभाज्य हैं , और कोई संदर्भ इकाइयाँ उपयोग नहीं की जाती हैं।
जैसा कि पैट्रिक87 ने कहा है , यह समझने के लिए पर्याप्त है कि एक एल्गोरिथ्म इनपुट आकार के संबंध में कैसे मापता है, लेकिन यह प्रदर्शन का एक पूर्ण माप नहीं देगा, एक संदर्भ इकाई पर भरोसा करने की कमी। एक सामान्य संदर्भ अमूर्त मशीन का उपयोग करना तब किया जा सकता है जब कोई वास्तव में अलग-अलग एल्गोरिदम के प्रदर्शन की तुलना करना चाहता है, लेकिन यह सुनिश्चित करना कठिन है कि तुलना विवरण ब्योरे द्वारा पक्षपाती नहीं है। असममित जटिलता में, इस जोखिम से बचा जाता है क्योंकि आप एल्गोरिथ्म की खुद से तुलना करते हैं।
O(n6)एमएल के लिए उपयोग किया जाने वाला एल्गोरिदम, जिसमें घातीय सबसे खराब स्थिति है। लेकिन यह एमएल उपयोगकर्ताओं को परेशान करने, या एमएल में बहुत बड़े कार्यक्रमों के लेखन को रोकने के लिए नहीं लगता है। स्थिर से अधिक है जो मायने रखता है। दरअसल, स्पर्शोन्मुख विश्लेषण इनपुट की जटिलता के कुछ माप के लिए एक संगणना की लागत से संबंधित है। लेकिन कच्चा आकार सही उपाय नहीं हो सकता है।
जटिलता निर्णायकता की तरह है, यह सैद्धांतिक रूप से खराब हो सकता है, लेकिन यह अधिकांश डेटा स्थान के लिए अप्रासंगिक हो सकता है ... कभी-कभी। एसिम्प्टोटिक जटिलता विश्लेषण एक अच्छा और अच्छी तरह से डिज़ाइन किया गया उपकरण है, इसके फायदे और इसकी सीमाएँ, सभी उपकरणों की तरह। स्थिरांक की खोज के साथ या उसके बिना, जो अर्थहीन हो सकता है, निर्णय का उपयोग करना आवश्यक है।