Big-O বর্ণনা করে যে একটি অ্যালগরিদমের চলার সময় বা মেমরি কীভাবে ইনপুট সাইজ n বৃদ্ধির সাথে বৃদ্ধি পায়। এটি সর্বনিম্ন অ্যাসিম্পটোটিক আচরণ ক্যাপচার করে, ধ্রুবক এবং নিম্ন-অর্ডার পদগুলি উপেক্ষা করে।
আমরা বৃদ্ধির হার সম্পর্কে যত্নশীল, সঠিক ধাপ সংখ্যা নয়। O(2n + 5) সহজভাবে O(n) কারণ n বড় হওয়ার সাথে সাথে, ধ্রুবক এবং ছোট পদগুলি আর গুরুত্বপূর্ণ থাকে না।
| Big-O | নাম | উদাহরণ |
|---|---|---|
| O(1) | ধ্রুবক | অ্যারে ইনডেক্স লুকআপ |
| O(log n) | লগারিদমিক | বাইনারি সার্চ |
| O(n) | রৈখিক | একটি তালিকা স্ক্যান করা |
| O(n log n) | লিনিয়ারিদমিক | মার্জ সর্ট |
| O(n²) | দ্বিঘাত | নেস্টেড লুপ |
| O(2ⁿ) | সূচকীয় | নিষ্কাশন সাবসেট |
def has_duplicate(nums):
for i in range(len(nums)): # outer loop: n
for j in range(i + 1, len(nums)): # inner loop: n
if nums[i] == nums[j]:
return True
return False
# nested loops -> O(n^2) time, O(1) space
Big-O ধ্রুবক লুকিয়ে রাখে: একটি বিশাল ধ্রুবক সহ O(n) অ্যালগরিদম ছোট ইনপুটে O(n log n) হারতে পারে। এছাড়াও স্থান জটিলতা ট্র্যাক করুন, শুধুমাত্র সময় নয়।
Big-O আপনাকে তাদের চালনা করতে বা হার্ডওয়্যার সম্পর্কে চিন্তা করতে ছাড়াই অ্যালগরিদম তুলনা করতে দেয়।
যখন ইনপুট শত থেকে মিলিয়নে বৃদ্ধি পায় তখন এটি পূর্বাভাস দেয় কোন সমাধানগুলি টিকে থাকে — একটি স্কেলযোগ্য বৈশিষ্ট্য এবং একটি যা সময়সীমা অতিক্রম করে তার মধ্যে পার্থক্য।
এটি এমন শব্দভান্ডার যা প্রতিটি ইঞ্জিনিয়ার কর্মক্ষমতা সম্পর্কে যুক্তি করতে ব্যবহার করে।
বিস্তারিত উত্তরসহ IT ইন্টারভিউ প্রশ্নের একটি লাইব্রেরি — জুনিয়র থেকে সিনিয়র পর্যন্ত।
দান করুন