# شرح Big-O Notation وتحليل تعقيد الخوارزميات للمبتدئين والمحترفين

> دليل مبسط وعملي لفهم تدوين Big-O وحساب التعقيد الزمني والمكاني للخوارزميات مع جدول مقارن وأمثلة كود توضح الفوارق.

- **الناشر**: منصة إيجي مونيتور | EgyMonitor (https://egymonitor.com)
- **الرابط الأصلي**: [https://egymonitor.com/posts/big-o-notation-algorithm-complexity-guide](https://egymonitor.com/posts/big-o-notation-algorithm-complexity-guide)
- **القسم**: [التقنية](https://egymonitor.com/categories/technology)
- **الكاتب**: عبدالرحمن شوقي
- **تاريخ النشر**: 2026-11-19 14:45
- **الكلمات المفتاحية**: هندسة البرمجيات, الخوارزميات, Big-O, تحليل الأداء, مقابلات العمل

---

**تدوين Big-O هو المعيار الرياضي الذي يقيس أسوأ سيناريو لنمو وقت التنفيذ (Time Complexity) أو استهلاك الذاكرة (Space Complexity) في الخوارزمية مع تضخم حجم المدخلات (n).** لا يقيس هذا المقياس الثواني الفعلية على جهاز بعينه، بل يصف سلوك الكود عند التوسع من مئة عنصر إلى مئة مليون عنصر.

## لماذا لا يكفي قياس السرعة بساعة الإيقاف؟

قد يعمل كود غير فعال بسرعة مقبولة على حاسوب حديث عندما تكون البيانات صغيرة، لكنه يتوقف تماماً في بيئة الإنتاج. يساعدك تحليل Big-O على إهمال الثوابت الصغيرة والتركيز على الحد المهيمن الذي يحدد قابلية التوسع.

- **تجاهل الثوابت:** حلقتان منفصلتان بطول n تُحسبان O(n) وليس O(2n).
- **أخذ الحد الأكبر:** إذا احتوى الكود على O(n²) وO(n)، فإن التعقيد الكلي يُختصر إلى O(n²).
- **التمييز بين الزمن والذاكرة:** أحياناً نضحي بذاكرة إضافية (Space) عبر جداول التجزئة (Hash Maps) لتسريع الزمن (Time).

## ترتيب مستويات التعقيد من الأسرع إلى الأبطأ

التدوينالاسم الشائععدد العمليات عند n = 1,000مثال خوارزميO(1)ثابت (Constant)1الوصول لعنصر في مصفوفة أو قاموسO(log n)لوغاريتمي (Logarithmic)~10البحث الثنائي (Binary Search)O(n)خطي (Linear)1,000البحث التسلسلي في قائمةO(n log n)خطي لوغاريتمي~10,000خوارزمية MergeSortO(n²)تربيعي (Quadratic)1,000,000حلقات متداخلة مثل Bubble SortO(2ⁿ)أسي (Exponential)رقم فلكيفيبوناتشي التكراري الساذج

## مثال تطبيقي: تحويل حل O(n²) إلى O(n)

في مسألة البحث عن رقمين مجموعهما يساوي هدفاً محدداً، تستهلك الحلقات المتداخلة وقتاً تربيعياً، بينما يحلها القاموس بزمن خطي:

```
def two_sum_fast(nums: list[int], target: int) -> tuple[int, int] | None:
    seen = {}  # ذاكرة إضافية O(n) لتسريع الزمن إلى O(n)
    for idx, num in enumerate(nums):
        complement = target - num
        if complement in seen:
            return (seen[complement], idx)
        seen[num] = idx
    return None
```

> تحسين الخوارزمية من O(n²) إلى O(n) يمنحك تفوقاً في الأداء لا يمكن لأي ترقية عتادية أن تعوضه عند التعامل مع البيانات الضخمة.

### أسئلة شائعة

- **السؤال:** هل O(1) يعني دائماً أن الكود يستغرق نانو ثانية؟ **الإجابة:** لا، بل يعني أن زمن التنفيذ يظل ثابتاً مهما كبر حجم البيانات المدخلة.
- **السؤال:** ما الفرق بين Big-O وBig-Theta؟ **الإجابة:** يصف Big-O الحد الأعلى لأسوأ حالة، بينما يحدد Big-Theta النطاق الدقيق الضيق للأداء.
- **السؤال:** هل يمكن تجاهل التعقيد المكاني؟ **الإجابة:** في الخوادم السحابية والأنظمة المدمجة، قد يؤدي استهلاك الذاكرة المفرط إلى انهيار الخدمة (Out of Memory)، لذا لا بد من موازنته مع الزمن.
