1樓：Rihothy
說最基礎的排序。我用當代中等配置筆記本（八代i7 8g記憶體）給一千萬個隨機數排序，冒泡演算法根本算不到盡頭，估計算到電腦壞掉都算不出來，快排估計我寫的不好，用了5秒，堆排在我極致優化後只要1.7秒……
2樓：Dhealth
具體問題具體分析，在大資料領域或者解決複雜問題時候，必須要考慮演算法的效能的，硬體再好，速度慢，對解決現實問題沒什麼用，等於百搭。在解決簡單問題，速度快慢的影響忽略不計，那麼演算法的選擇時多樣的，也就不太在乎演算法的效能了。
3樓：吳洋
任何乙個時代的硬體總有上限。
演算法可以在當代允許的範圍內盡可能解決更複雜，運算量更多的問題。
特別是在大資料的背景下！
不如說簡單的矩陣之間的乘法。
直接用定義求，時間複雜度n^3。
100*100、1000*1000這些都是小case但對於龐大的資料呢？
現在優化到n^2.81，看來也沒變多少，但是這已經很厲害了。
4樓：dw Liu
舉乙個最簡單的栗子
氣泡排序時間複雜度是O(n^2)，合併排序時間複雜度是O(nlogn)，排序一億個資料，運算量比例大概就是c*(1億/26)的樣子
所以，同樣的運算量，究竟是該保留氣泡排序等到CPU速度提公升百萬倍，還是直接用合併排序？
5樓：清香白蓮
根據摩爾定律，計算機效能是按18個月成指數增長。
時間複雜度比O(n^2)大的演算法多了去……
其實應該抖機靈：題主你知道npc問題嗎？
6樓：丁長老
這話頂多也就是說演算法運算的慢一點，沒關係。因為硬體會提公升。
但是題主，演算法的運算速度在工業界是很重要的。是因為常見的演算法都是有效演算法，或者適應範圍很廣的演算法。比如排序，加密解密，A＊
但是在學術界，演算法的有效性，才是他們關心的內容。
比如人臉識別，神經網路，SVM，影象分割，機器學習等一些領域內的演算法。如果沒有足夠的準確率，有效性，光攢一堆硬體有個毛用啊！
當然前沿演算法和成熟演算法是沒有啥可比性，不過速度只是演算法的其中乙個維度，不能一概而論。
7樓：十六夜砕月
作為乙個剛剛完成資料結構的菜雞，我感覺經典演算法還是非常重要的，比如我完成了壓縮軟體，最重要的也是最核心的就是哈夫曼編碼的演算法(雖然可以從網上找的，但是你不說它不重要)，其他的介面的展示，檔案的操作之類的都沒什麼難度。
所以，一些經典的演算法還是有必要的，雖然你不用去重複造輪子了，但是你不能否認輪子的重要性啊！
8樓：沈子昂
作為乙個剛入職場的菜雞，我感覺在真實工作中能用到那些很經典牛叉的演算法並不多，演算法的學習是對你寫程式思維的一種幫助
什麼時候該考慮時間複雜度去優化程式，什麼時候該用空間換取時間
就和設計模式的學習一樣，為什麼有些人寫出來乙個函式全是if else，為什麼有些人卻用策略模式包裝的很好
為什麼隨著成長，我們會覺得時間越來越快？
紙紮林徽因 真的真的！是這個亞子 有研究表明 5歲以下記憶全部儲存，10歲增加1 10的記憶，20歲增加1 20 你現在做的事情幾年前就有模板，大腦只需搜尋出模板即可，根本不會增加記憶。假如你乙個月玩了1天，工作29天，那麼你的記憶只會有2天 玩的一天和工作的一天。怎麼避免這種事情？ 餘同 因為你發...
晶元是如何變得計算速度越來越快的？
乾飯仙人CSY l越來愈小 頻率越來越大 每個C P U時鐘週期內可以處理的指令數越來越多然後我們再拿一單給他超頻 5995wx 64核心128執行緒 全核10GHz 人類感謝你 ICspec 晶元工藝的不斷發展與進步，使得晶元的計算速度越來越快。比如從以前的22nm製程到現在的3nm製程，就是製造...
總覺得隨著年齡的增長，時間過得越來越快，這是不是一種錯覺
哲學為何p開頭 1 活到10歲時，1年是10的1 10 2 活到100歲時，1年是100的1 100 3 長 1 10，短1 100.4 如此而已。 我感覺是，大腦是以接受的 輸入資訊密度 來確立時間感。打個比方，學渣覺得課堂時間漫長，是因為資訊輸入密度太大，接受得很吃力。學霸覺得課堂時間過得很快，...