还记得两三年前，我初看一本算法书，看到二分查找算法的复杂度时，我发现了了不得的东西：二分查找每次查询范围减少一半，需要查询的次数是
，它的复杂度是
。
我把它改成三分查找，每次查询两个数字与我的目标数字比较，那么我就可以把查询范围缩小成原先的 1 / 3。那这样我需要的查询次数就只有
，复杂度也是
，一下子就优化了这么多！
那如果是四分，五分，六分，七分，岂不是能无限优化到
？我要成为算法科学家啦！
当然，我的想法是错的。但是，我错在哪里呢？为什么三分的复杂度看起来低了，但是却没有人用？好了，正文开始。
要理解这个问题，首先要知道算法的复杂度到底如何确定。什么时候我们认为一个算法的复杂度高于另一个算法？什么时候两个算法的复杂度其实是一样的？
对于大部分算法来说，当规模
趋于无穷大时，问题的求解时间都会趋于无穷大。那么你说的这个无穷大，它到底有多大？复杂度的记法，我们当然都知道使用大
或者大
。但是，这两个符号，到底比较的是什么？这就是这篇文章首先要回答的问题。
一句话答案，我们所说的算法复杂度的大小，其实是算法复杂度的无穷大的阶数。
也就是说，如果一个算法 A 的复杂度的无穷大阶数比另一个算法 B 的无穷大阶数小，也就是说
，那么此时 A 的复杂度更小。下面举几个例子：
，所以
的算法比
的算法更优
，所以
的算法比
的算法更优
但是如果一个算法的复杂度函数比另一个算法的复杂度函数小，但他俩的无穷大阶数一样，那么其实两个算法的复杂度是一样的。这里也有几个例子： ，2 是常数。所以
的算法与
的算法复杂度一样
，4 是常数。所以
的算法与
的算法复杂度一样
好了，我们已经知道如何比较两个算法复杂度了。现在我们来看看为什么三分不比二分快。
答案很简单：二分法和三分法的渐进复杂度是一样的。
二分法的渐进复杂度为
，三分法的渐进复杂度为
，这两个复杂度都没有问题。那为什么说这两个是一样的呢？
看起来就是比
小，而且算出来也确实小很多啊？
Talk is cheap，让我们直接来比较一下它们的无穷大阶数：
是个常数，因此，两个函数是同阶无穷大。二分法和三分法的渐进复杂度其实是一样的。
这个结论也可以推广一下。任意取两个对数函数
与
，比较它们的无穷大阶数都会得到
，是个常数。因此对数函数的底对于算法的复杂度分析是没有意义的。
因此，无论是二分法，三分法，四分法，五分法...复杂度都是一样的，分的越多，代码反而越复杂，提高你的人脑处理复杂度，不值不值。
那么，这么看来，
和
是一样的，
和
是一样的。那算法复杂度分析时，常数都不重要吗？
并不是。
最常见的反例，
与
显然复杂度不同。因为
，
是更低阶的无穷大。
当然，大部分人可能不会在
与
的比较上犯错误，但是下面这个比较，错的人就不少了。
和
哪个复杂度更大？
很多人以为这两个复杂度是一样的，因为常数不在指数位置上，看起来只是不同的常数做了指数操作，而常数一般对算法的复杂度没有影响。
但是实际上
的无穷大阶数比
要小。这两者复杂度并不一样。
而有人可能还觉得，就算复杂度不一样，可能也差不太多吧？都是指数函数，本身复杂度已经很高了啊？
但是实际上并不是这样。我们可以把
，
，
和
放到一起比较一下。
相对于
，很多人已经认为是增长了太多，不太能接受了。那么
相对于
增长了多少呢？我们其实可以比较一下这两个“增长”之间的无穷大阶数。
可见， 比
差，但是它们之间相差的时间倍数只是在线性增长。而
相对于
，相差的则更多，它们之间相差的时间倍数还是在指数增长！
这是什么概念呢？
如果有一个问题规模为
，
算法可以用 1 秒解决，那么使用
的算法，你需要 20 秒才能解决。这已经让大部分人无法接受了。
但是，如果有一个问题规模为
，
算法可以用 1 秒解决，那么使用
的算法，你需要 3325 秒才能解决！
所以，你现在还觉得，
和
差不多吗？
3292
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
