从我的教科书：
O-notation和算法的复杂性
重要的是不要尝试在算法之间进行比较 使用O符号。
例如，假设算法A1和A2都解决了相同的问题 问题是，A1具有复杂度O（n ^ 3），A2具有复杂度O（n ^ 2）。
以上陈述完全合理。
观察我们不能断定A2比A1更有效率 这种情况！
为什么不呢？ A2的复杂性比A1慢。
答案 0 :(得分：3)
生长得慢并不意味着绝对更快。
你有这样的经历，你的朋友比你年轻时高，但你最终成为你们之间的高个子，或者反过来？
这意思是一样的。 A1可能更适合并且快速地解决小规模问题。遇到大问题时，它会变慢。
如果您想了解有关数学背景的更多细节，那么＆＃34;算法分析简介＆＃34;由Robert Sedgewick强烈推荐。
答案 1 :(得分：2)
首先，马克哈里森指出，有一些未指明的常数因素。
其次，这些是上限。对于每个a> 0，Log n是O（n ^ a）。可能O（n ^ 3）算法在每种情况下实际上比O（n ^ 2）算法更快，O（n ^ 3）不是最好的可能界限。如果要指定下限，请使用omega或theta表示法。
第三，算法复杂度通常是对最坏情况性能的估计。您可能会对平均性能或其他措施感兴趣。
有些人走得太远，可能是出于对No Free Lunch Theorem的误解，并说没有算法比其他算法更好。常识表明，在您选择的任何环境中，某些算法比其他算法更好。如果您了解上述警告，那么当n很大时，计算复杂性界限可能是一个很大的暗示，即哪些算法是有效的或可行的。
答案 2 :(得分：1)
big-O表示法中隐含了一个（未指定的）常量值。所以你实际上被问到哪些更有效：
A1 = O(n^3) * n*K1
A2 = O(n^2) * n*K2
在不知道K1和K2的值的情况下，不可能说出A1和A2的确切运行时间。我们知道A1的曲线最终将大于A2的曲线，但我们不知道n的值是什么。
还可能需要考虑A1和A2的潜在恒定设置时间。
A1 = O(n^3) * n*K1 + C1
A2 = O(n^2) * n*K2 + C2