O八岁？
这个问题在这里已经有了答案：
思考的一种方式是：
O（N ^ 2）表示每个元素，你正在对其他元素进行一些操作，比如比较它们。 泡沫排序就是一个例子。
O（N log N）表示对于每个元素，您正在做的事情只需要查看元素的log N。 这通常是因为你知道一些关于让你做出有效选择的元素。 最有效的排序就是一个例子，比如合并排序。
O（N！）表示为N个元素的所有可能排列做些事情。 旅行推销员就是这样一个例子，那里有N！ 访问节点的方式，而强力解决方案则是查看每个可能排列的总成本以找到最佳排列。
Big-O符号对您的代码意味着的重大事情是，当您将其操作的“事物”数量加倍时，它将如何扩展。 这里有一个具体的例子：
Big-O | computations for 10 things | computations for 100 things ---------------------------------------------------------------------- O(1) | 1 | 1 O(log(n)) | 3 | 7 O(n) | 10 | 100 O(n log(n)) | 30 | 700 O(n^2) | 100 | 10000
因此，取O（n log（n））与O（n ^ 2）的冒泡排序的快速排序。 排序10件事时，快速排序比泡泡排序快3倍。 但是当分拣100件东西时，速度要快14倍！ 清楚地选择最快的算法是非常重要的。 当你到达有数百行的数据库时，它可能意味着你的查询在0.2秒内执行，而不是花费数小时。
要考虑的另一件事是，一个不好的算法是摩尔定律无法帮助的一件事。 例如，如果你有一些科学的计算结果是O（n ^ 3），并且它可以计算一天100件事情，那么处理器速度加倍只会让你在一天中得到125件事情。 然而，敲那个计算到O（n ^ 2），你每天做1000件事。
澄清：实际上，Big-O在相同的特定尺寸点上没有提到不同算法的比较性能，而是关于相同算法在不同尺寸点的比较性能：
computations computations computations Big-O | for 10 things | for 100 things | for 1000 things ---------------------------------------------------------------------- O(1) | 1 | 1 | 1 O(log(n)) | 1 | 3 | 7 O(n) | 1 | 10 | 100 O(n log(n)) | 1 | 33 | 664 O(n^2) | 1 | 100 | 10000
您可能会发现将其可视化很有用：
此外，在LogY / LogX规模下，函数n1 / 2，n，n2都看起来像直线，而在LogY / X尺度2n上，en，10n是直线，而n！ 是linearithmic（看起来像n log n）。
链接地址: http://www.djcxy.com/p/6739.html