通常，性能以O（）的数量级给出：O(Magnitude)+K其中K通常被忽略，因为它主要适用于较小的N。
但是我越来越多地看到性能主要受基础数据大小的影响，但这不是算法复杂性的一部分
假设algorithm A为O(logN)但使用O(N)空格且algorithm B为O(N)但使用O(logN)过去属于algorithm A {1}}更快。现在，多层缓存中的缓存未命中，algorithm B对于大数字可能会更快，如果K
问题是你如何表达这个？
答案 0 :(得分：2)
缓存未命中在大O表示法中没有考虑，因为它们是常数因素。
即使你悲观地假设每个数组搜索都将是一个缓存未命中，并且让我们说缓存未命中需要100个周期（这个时间是恒定的，因为我们假设是随机存取存储器），而不是迭代长度n的数组将花费100*n个周期来缓存未命中（+循环和控制的开销），一般而言，它仍为O(n)。
大O经常使用的一个原因是因为它与平台无关（好吧，至少在谈到RAM机器时）。如果我们考虑缓存未命中，那么每个平台的结果都会有所不同。
如果您正在寻找一种考虑常数的理论符号 - 您正在寻找tilde notation。
另外，这就是为什么＆＃34;大O符号＆＃34;对于大规模或时间关键的系统来说，这些系统很少用，而且这些系统经常被发现以找到开发人员会在本地改进的瓶颈，因此如果您正在寻找真正的性能 - 请根据经验进行，并且不要做任何事情。理解为理论符号。
答案 1 :(得分：1)
嗯，O（N）命名法的使用抽象出一些重要的细节，这些细节通常只有在N接近无穷大时才是微不足道的。这些细节可能并且通常是N值小于无穷大的最重要因素。为了帮助解释，考虑如果一个术语被列为O（N ^ x），它只是指定N的最重要因子。实际上，性能可以表征为：
aN ^ x + bN ^（x-1）+ cN ^（x-2）+ ... + K
因此，当N接近无穷大时，主导项变为N ^ x，但显然在N值小于无穷大时，主导项可能是较小项之一。查看您的示例，您将提供两种算法。我们称算法A是提供O（N）性能的算法，而提供O（logN）性能的算法我们称之为算法B.实际上，这两种算法的性能特征如下：
表现A = aN + b（log N）+ c
表现B = x（log N）+ y
如果您的常数值是a = 0.001和x = 99,999，您可以看到A如何提供比B更好的性能。此外，您提到一种算法会增加缓存未命中的可能性，并且可能性取决于大小的数据。您需要根据数据大小确定缓存未命中的可能性，并在计算整个算法的O性能时将其用作因子。例如：
如果高速缓存未命中的成本是CM（我们假设它是常数），那么对于算法A，整体高速缓存性能是F（N） CM。如果该高速缓存性能是算法A的主导循环（O（log N）部分）中的因素，则算法A的实际性能特征是O（F（N）（log N））。对于算法B，整体缓存性能将是F（log N）* CM。如果在算法B的主导循环期间出现高速缓存未命中，则算法B的实际性能为O（F（log N）* N）。只要您可以确定F（），就可以比较算法A和B.