BigO log(m*n) 或 (m+n) 哪个更好？
What is better BigO log(m*n) or (m+n)?
m 和 n 是二维矩阵的两个维度，具有给定 Big-O 的搜索算法被认为更快：
log(m*n) 或 (m+n) 或 log(m)*log(n)?
最好的是-log(m*n)（相当于log(m) + log(n)）
然后 - log(m)*log(n)
然后 - m+n
第一个写成log m + log n。这明显优于m + n。也比 log(m) * log(n).
好
所以答案是 log (m * n) 是最好的。
以上简化解释为：
O(log(m*n)) 等同于 O(log m + log n)
O(m+n) 和 O(log(m)*log(n)) 是简化形式本身
因为数字的对数小于数字。因此订单将是
O(log(m*n)) < O(log(m)*log(n)) < O(m+n)
即 log(m*n) 效率最高。
记住是bigO。如果你考虑所有可能的输出会更好。
两者都不 "best" 在特定应用程序的上下文之外。请记住，O(f(x)) 意味着算法处理大小为 x 的输入所花费的时间是 与 f(x) 成正比的 ，但没有说明是什么比例群岛如果你有一个算法是 O(n)（即线性），但有一个常数乘法因子，比如 10^4，而第二个算法是 O(n^2)，但只有一个乘法因子1 的因子，那么第二种算法对于最大 10^4 的问题规模会更好。如果保证您的实际问题域永远不会有大小超过 10^2 的输入，那么您没有理由选择第一种算法。诚然这是一个极端的例子，但关键是你需要知道你的问题领域和你期望必须处理的输入，以及你正在评估的不同算法和相关成本，以便为选择最佳算法你的程序。在许多现实世界的情况下，选择数学上最有效的（对于极其大规模的问题）算法并不是正确的选择，实际上可能会导致性能问题，因为您的输入永远不会大到足以实现节省理论上可能的效率。
在您的具体情况下，随着问题规模的增长，O(log(m*n)) 绝对是最有效的，但是如果您从不在更大的问题集领域中操作，那么其他人之一实际上可能"best" 适合您的特定用途。
m 和 n 是二维矩阵的两个维度，具有给定 Big-O 的搜索算法被认为更快：
log(m*n)或(m+n)或log(m)*log(n)?
最好的是-log(m*n)（相当于log(m) + log(n)）
然后 - log(m)*log(n)
然后 - m+n
第一个写成log m + log n。这明显优于m + n。也比 log(m) * log(n).
所以答案是 log (m * n) 是最好的。
以上简化解释为：
O(log(m*n)) 等同于 O(log m + log n)
O(m+n) 和 O(log(m)*log(n)) 是简化形式本身
因为数字的对数小于数字。因此订单将是
O(log(m*n)) < O(log(m)*log(n)) < O(m+n)
即 log(m*n) 效率最高。
记住是bigO。如果你考虑所有可能的输出会更好。
两者都不 "best" 在特定应用程序的上下文之外。请记住，O(f(x)) 意味着算法处理大小为 x 的输入所花费的时间是 与 f(x) 成正比的 ，但没有说明是什么比例群岛如果你有一个算法是 O(n)（即线性），但有一个常数乘法因子，比如 10^4，而第二个算法是 O(n^2)，但只有一个乘法因子1 的因子，那么第二种算法对于最大 10^4 的问题规模会更好。如果保证您的实际问题域永远不会有大小超过 10^2 的输入，那么您没有理由选择第一种算法。诚然这是一个极端的例子，但关键是你需要知道你的问题领域和你期望必须处理的输入，以及你正在评估的不同算法和相关成本，以便为选择最佳算法你的程序。在许多现实世界的情况下，选择数学上最有效的（对于极其大规模的问题）算法并不是正确的选择，实际上可能会导致性能问题，因为您的输入永远不会大到足以实现节省理论上可能的效率。
在您的具体情况下，随着问题规模的增长，O(log(m*n)) 绝对是最有效的，但是如果您从不在更大的问题集领域中操作，那么其他人之一实际上可能"best" 适合您的特定用途。