如果可以选择时间复杂度不同的算法，那么何时选择“ worse” Big-O（例如选择{{ 1}}，而不是O(n)。
答案 0 :(得分：3)
大O 意味着 limit ，无限许多操作，当我们的代码使用 finite 个操作（因此 Big O 是一个近似值）。比较两个时间复杂度：
t ~ 1e100 * N
t ~ N * N
对于现实世界的输入而言，第二种算法（更糟糕的是N的平方时间复杂度）是可取的，而且速度更快。
答案 1 :(得分：1)
复杂度不会告诉您有关性能的任何信息，因此仅了解复杂度来决定某个方法是否值得另一方法是不够的。 要了解在给定情况下（即对于给定的问题规模）一种方法是否比另一种方法更好，基准测试是必经之路。一旦对不同的方法进行了基准测试，复杂性就可以帮助您预测问题随着规模的扩大将如何扩展。
了解算法的复杂性可能非常有用-例如，在图像处理中：
想象一下，您有两个不同的滤镜在2D图像上给出非常相似的结果，对于“正常”图像（例如，有些像素为百万像素），一个滤镜要比另一个滤镜快。如果将它们应用于3D图像，它们的行为会如何（即，如果问题大小为千兆像素，怎么办）？知道复杂度并拥有参考基准可以帮助您预测使用哪种过滤器将“值得”使用，但最终……您仍将对这两种解决方案进行基准测试以确保。答案 2 :(得分：0)
任何渐近符号，描述达到特定大小的输入（n > n_0）后特定算法的行为。
通常不会描述的是可能存在的任何其他常数乘法项（以及其他可忽略的项，例如n^2 + n属于O(n^2)类）。
例如，具有计算复杂度2 * n和3 * n的两种算法将在同一O(n)类上，而2 * n^2算法将在{{1}中}。现在，对于足够小的输入（在此示例中为O(n^2)），n = 1的执行效率将高于2 * n^2算法。
对于3 * n与O(n)（或任何其他）计算复杂性而言，这也是正确的。