有没有任何情况下，你会更喜欢一个较高的big-O时间复杂度算法而不是较低的？
是否存在更喜欢
你有什么例子吗？
共有3个答案
我很惊讶还没有人提到记忆限制应用程序。
可能存在由于其复杂性（即O(1)
我所说的“内存受限”是指您经常访问的数据经常处于缓存外。为了获取这些数据，您必须将实际内存空间中的内存拉到缓存中，然后才能对其执行操作。这个获取步骤通常相当缓慢--比您的操作本身慢得多。
因此，如果您的算法需要更多的操作（然而这些操作是在已经在缓存中的数据上执行的[因此不需要fetch])，就实际的Wall-time而言，它仍然会比您的算法执行的操作更少（这些操作必须在缓存外的数据上执行[因此需要fetch])。
始终存在隐藏常数，在O(logn)算法中，该常数可以更低。因此在实际应用中，它可以更快地处理真实数据。
还有空间方面的顾虑（例如在烤面包机上运行）。
还有开发人员的时间问题-O(logn)可能更容易实现和验证1000×。
可能有很多理由让我们更喜欢大O时间复杂度较高的算法，而不是较低的算法:
- 大多数时候，较低的big-O复杂度很难实现，需要熟练的实现，大量的知识和大量的测试。/li>
（codeO(1)/code>vs - <罢工> 在某些地方（安全性），复杂性可能是一个需求。没有人想要一个哈希算法能够快速的哈希（因为这样其他人就可以强迫你更快）
- 虽然这与复杂度的切换无关，但是一些安全函数应该以防止定时攻击的方式编写。它们大多停留在相同的复杂性类中，但被修改的方式总是需要更坏的情况来做某事。一个例子是比较字符串是否相等。在大多数应用程序中，如果第一个字节不同，那么快速中断是有意义的，但是在安全性方面，您仍然要等到最后才告诉坏消息。/li>
- 有人申请了低复杂度算法的专利，对于一家公司来说，使用更高的复杂度比付钱更经济。/li> 一些算法能很好地适应特定的情况。例如，插入排序的平均时间复杂度为
-
线性搜索所需时间的最坏情况是，该项位于列表/数组的末尾，或者不存在。在这种情况下，算法需要执行比较，以查看每个元素是否为所需值，假设是数组/列表的长度。 根据我对big-O表示法的理解，可以说这个算法的时间复杂度是O（n），因为最坏的情况可能发生，当我们想要保守估计“最坏的情况”时，可以使用big-O。 从堆栈溢出的许多帖子和答案来看，这种想法似乎是有缺陷的，像Big-O符号这样的说法与最坏情况分
-
我有一个使用递归打印斐波那契级数的程序。有更好的方法，但我被要求使用递归，所以我不得不这样做。 这是程序： 我知道这对于斐波那契级数来说真的是一种糟糕的方法，从上面可以清楚地看出，当项超过35时，程序需要很多时间才能完成。 我看了这个答案，不明白他们是怎么解决的，但看起来 fibo（int n）的时间复杂度为O（2^n） 我可能完全错了，但我只想： 这个完整程序的时间复杂度是多少，简要解释一下您是
-
我想澄清一下O（N）函数。我正在使用SICP。 考虑书中生成伪代码递归过程的阶乘函数： 我不知道如何测量步数。也就是说，我不知道“步骤”是如何定义的，所以我使用书中的语句来定义步骤： 因此，我们可以计算n！通过计算（n-1）！将结果乘以n。 我想这就是他们所说的一步。对于一个具体的例子，如果我们跟踪（阶乘5）， 阶乘（1）=1=1步（基本情况-恒定时间） 阶乘（2）=2*阶乘（1）=2步 阶乘（3
-
问题内容： 如何在Java中比较没有时间的日期？ 此代码比较时间和日期！ 问题答案： 尝试比较将时间更改为00:00:00的日期（使用此功能）：
-
查找p的伪码算法为： 假设我有一个int值的数组H[1到m]，其中“p”是峰值元素，如果： 基本上，如果H【p】大于或等于其相邻元素，则H【p】为峰值。 假设数组H在开始和结束时都大于1个元素，数组为H[0到m 1]，其中H[0]=H[m 1]=无穷大。因此，H[0]和H[m 1]是哨兵。然后是元素p，其中1≤ p≤ n、 是一个峰值，如果H【p-1】≤ H【p】≥ H【p 1】。 我认为渐近时间
-
做O（h）算法的时间复杂度是多少？当h是节点的高度，以BST n倍为单位（树中的元素数），我相信是O（n），而不是O（n*h），但我不知道如何证明它。 在O（h）中工作的特定算法是在BST中查找元素的顺序前体。
-
就像谷歌地图一样，给定一百万个经纬度坐标列表，你将如何打印距离给定位置最近的k个城市？ 我在一次面试中问了这个问题。面试官说这可以在O（n）中通过使用插入排序到k来完成，而不是对整个列表进行排序，即NlogN。我在网上找到了其他答案，大多数人都说NLogN...他[面试官]正确吗？