大 O(n logn) 并不优于 O(n^2)
Big O(n logn) is not preferable over the O(n^2)
任何算法示例我们什么时候更喜欢大 O(n^2) 时间复杂度而不是 O(n logn)？
我在某处看到过这个问题，但没有找到答案。
一种可能——O(n logn) 算法是递归的，但是您可以迭代地编写 O(n^2) 算法，并且您必须使用的编程语言不支持递归。
"Preferred" 在这里是相对的顺便说一句。如果数据集足够大，您可以通过使用您自己的堆栈变量来模拟递归，您可以在迭代实现的 "recursive" 算法版本中操作该变量（我们必须在 Guy Steele 的 Comparative Programming class 过去在 CMU。
对于大问题，O(n log n) 总是优于 O(n^2)。对于一个小问题，大 O 符号隐藏的常数因子可能会导致您更喜欢 O(n^2) 算法。例如，O(n log n) 快速排序比 O(n^2) 插入排序快，但是当分区变小（少于十个元素）时，一些快速排序实现切换到插入排序。
选择时间复杂度较高的算法有几个原因：
- 速度：渐近复杂度仅适用于大于某些 n_0 的 n 值。此外，它假设某台机器仅部分匹配具有多级缓存和受限内存的真实机器。
- Space：某些算法比其他算法需要更多 space，因此无法实现。此外，这可能只会影响真机的速度。例如，引用的位置会影响缓存命中或未命中，这就是 Quicksort 性能优于 Mergesort 的原因。
- 实施复杂性：在某些情况下，性能损失可以忽略不计，但开发时间却不是。
许多天真的 O(n^2) 算法在小输入上比它们更复杂的 O(n log(n)) 算法更快。
例如，GNU MP Bignum library has a very highly optimized multiplication implementation. But for numbers made up of a couple dozen words it just uses schoolbook multiplication (the best threshold depends heavily on the machine). In fact GMP transitions through a whole sequence of fastest-around-size-X algorithms.
任何算法示例我们什么时候更喜欢大 O(n^2) 时间复杂度而不是 O(n logn)？ 我在某处看到过这个问题，但没有找到答案。
一种可能——O(n logn) 算法是递归的，但是您可以迭代地编写 O(n^2) 算法，并且您必须使用的编程语言不支持递归。
"Preferred" 在这里是相对的顺便说一句。如果数据集足够大，您可以通过使用您自己的堆栈变量来模拟递归，您可以在迭代实现的 "recursive" 算法版本中操作该变量（我们必须在 Guy Steele 的 Comparative Programming class 过去在 CMU。
对于大问题，O(n log n) 总是优于 O(n^2)。对于一个小问题，大 O 符号隐藏的常数因子可能会导致您更喜欢 O(n^2) 算法。例如，O(n log n) 快速排序比 O(n^2) 插入排序快，但是当分区变小（少于十个元素）时，一些快速排序实现切换到插入排序。
选择时间复杂度较高的算法有几个原因：
- 速度：渐近复杂度仅适用于大于某些 n_0 的 n 值。此外，它假设某台机器仅部分匹配具有多级缓存和受限内存的真实机器。
- Space：某些算法比其他算法需要更多 space，因此无法实现。此外，这可能只会影响真机的速度。例如，引用的位置会影响缓存命中或未命中，这就是 Quicksort 性能优于 Mergesort 的原因。
- 实施复杂性：在某些情况下，性能损失可以忽略不计，但开发时间却不是。
许多天真的 O(n^2) 算法在小输入上比它们更复杂的 O(n log(n)) 算法更快。
例如，GNU MP Bignum library has a very highly optimized multiplication implementation. But for numbers made up of a couple dozen words it just uses schoolbook multiplication (the best threshold depends heavily on the machine). In fact GMP transitions through a whole sequence of fastest-around-size-X algorithms.