第2章：当资源有了边界（时间与空间复杂度）

:::info
兔狲教授的亲切开场
科学家的第一课——推理是有代价的。在开始计算之前，我们需要问问：这要花多少时间？需要多少空间？就像踏上旅程前要检查干粮和行囊，好的思考者总是先评估资源的边界。
:::

核心议题：我们用什么结构来描述世界？

一周后的午后，珠江畔飘来温润的春雨，轻轻敲打着黑石屋书房的玻璃窗。红砖拱窗上，雨滴蜿蜒而下，像极了电路板上的走线。窗外，康乐园的榕树新叶滴着水珠，木棉花在雨中显得更加鲜红。小小猪还在琢磨着上一章的NAND门电路，小海豹则在整理关于布尔的历史笔记。

兔狲教授泡了一壶凤凰单丛，潮汕工夫茶的蜜香在室内氤氲开来，与窗外春雨的气息、红砖墙的泥土味交织在一起。壁炉虽未生火，但1914年建造时的烟道似乎仍留存着历史的温度。

“上节课我们讨论了如何表达世界，”兔狲教授缓缓开口，“从电报的滴嗒声到手电筒的开关，我们用二元逻辑简化了世界。”

小海豹放下笔，若有所思：“教授，我有一个问题。如果我们已经可以用0和1表达世界，那么接下来的问题是什么？”

小小猪从电路板上抬起头，“是啊，就像有了字母，接下来要考虑怎么组织这些字母来写文章？”

兔狲教授微笑：“很好的问题。这就是今天的核心议题：我们用什么结构来描述世界？”

他走到白板前，写下两个词：

时间 —— 空间

“当我们描述任何事物时，”兔狲教授转身面对两人，“都要考虑这两个维度。比如描述一本书：

• 时间：读完它需要多少小时？
• 空间：它占据书架多少厘米？

在计算的世界里，这两个维度变成了时间复杂度和空间复杂度——描述算法如何‘占用’时间和空间的结构。”

全宇宙图书馆的遐想：结构的考验

“还记得上节课我们说到的‘全宇宙图书馆’吗？”兔狲教授问。

小小猪眼睛一亮，“记得！教授说要在全宇宙的书里找一本特定的书……这怎么可能呢？”

小海豹补充道：“宇宙中大约有10^80个原子。如果每本书……”

“让我们先简化一下，”兔狲教授微笑着打断，“假设图书馆有N本书。你想找一本特定的书——《推理科学的起源》。”

两种搜索：暴力与智慧

暴力搜索的沉重代价

小小猪不假思索地说：“那就一本一本找呗！从第一排第一个书架开始。”

“这就是暴力搜索（Brute-force Search），”兔狲教授点头，“也是最直观的方法。让我们算算这要多久。”

他在白板上写下：

假设检查一本书需要1秒钟。

• 100本书：最多100秒 ≈ 1.7分钟（可以接受）
• 10,000本书：最多10,000秒 ≈ 2.8小时（一顿饭的时间）
• 1,000,000本书：最多1,000,000秒 ≈ 11.6天（一次短途旅行）
• 1,000,000,000本书：最多31.7年（半个人生）

小小猪张大了嘴，“如果是全宇宙的图书……”

“这就是现实，”兔狲教授平静地说，“算法的效率不是可有可无的装饰，而是生死攸关的选择。”

:::info
兔狲教授的评语
暴力搜索对应的时间复杂度是 O(n)——操作次数与数据规模n成正比。当n很大时，“成正比”可能意味着“不可能完成”。
:::

二分搜索：减半的艺术

小海豹思索片刻，问道：“如果图书馆的书是按顺序排列的呢？比如按书名拼音排序。”

兔狲教授眼睛一亮，“好问题！这时候我们可以用二分搜索（Binary Search）——一种聪明得多的策略。”

他画出一个简单的流程图：

从中间翻开一本书
    ↓
是目标书吗？ → 是 → 成功！
    ↓ 否
目标在左边还是右边？
    ↓
舍弃另一半，重复过程
​

“每次检查，我们都把搜索范围减半，”兔狲教授解释，“就像不断对折一张纸。”

小小猪迅速计算：“16本书的话……第一次剩8本，第二次剩4本，第三次剩2本，第四次就找到了！只要4次！”

“对，”兔狲教授赞许道，“100本书只需要7次，10亿本书只需要30次。”

他在白板上画出对比表：

小海豹轻声说：“这个差距……是指数级的。一边是线性增长，一边是对数增长。”

:::detail
进阶科普：对数时间的数学原理

二分搜索的时间复杂度是 O(log₂ n)，源于每次将问题规模减半。

数学上，设初始规模为n，经过k次减半后规模为1：

这里的log₂ n增长极其缓慢：

• log₂ 10 ≈ 3.32
• log₂ 100 ≈ 6.64
• log₂ 1,000,000 ≈ 19.93
• log₂ 1,000,000,000 ≈ 29.90

这种“缓慢增长”是算法设计的圣杯之一。许多高效算法（如平衡二叉搜索树、快速排序的期望复杂度）都蕴含了对数思想。
:::

思想模型：资源意识——描述世界的结构

兔狲教授走到窗边，望着窗外的雨丝。“回到我们最初的问题：我们用什么结构来描述世界？”

他转身面对两人，指向白板上早已写下的两个词：

时间 —— 空间

“这就是答案，”兔狲教授说，“在计算的世界里，我们用时间结构和空间结构来描述一切。这引出了我们今天最重要的思想模型：资源意识。”

“计算不是发生在真空中的魔法。它消耗两种宝贵的资源：时间和空间。”

时间复杂度：增长的阶

“我们刚才讨论的搜索次数，就是时间复杂度，”兔狲教授说，“但计算机科学家不关心‘具体多少秒’，而是关心增长的趋势。”

他在白板上写下一串符号：

• O(1)：常数时间。无论多少数据，操作时间不变
• O(log n)：对数时间。二分搜索，每次减半
• O(n)：线性时间。暴力搜索，与数据量成正比
• O(n log n)：线性对数时间。许多高效排序算法
• O(n²)：平方时间。嵌套循环比较所有对
• O(2ⁿ)：指数时间。某些组合问题，灾难性的增长

“这就是大O记号（Big O notation），”兔狲教授解释，“它描述的是算法最坏情况下的渐进行为。”

小小猪指着O(2ⁿ)问：“这个‘指数时间’有多可怕？”

兔狲教授画了一个简单的表格：

“看到吗？”兔狲教授说，“当n=50时，O(2ⁿ)已经是一个天文数字。这就是为什么我们说指数复杂度的问题在实际中往往无解。”

空间复杂度：记忆的代价

小海豹若有所思：“除了时间，存储信息也需要空间。”

“正是，”兔狲教授点头，“这就是空间复杂度。”

他举了个例子：“假设你要排序一副扑克牌。有两种方法：

1. 原地排序：就在桌面上移动牌，几乎不需要额外空间（O(1)空间）
2. 非原地排序：需要另一个空桌子来放中间结果（O(n)空间）

“空间和时间常常需要权衡，”兔狲教授继续说，“有时我们可以用更多空间换取更快时间，这叫‘空间换时间’。反之，在内存有限的设备上，我们可能选择较慢但省空间的算法。”

:::detail
进阶科普：大O记号的历史与哲学

大O记号由德国数学家保罗·巴赫曼在1894年引入，后由埃德蒙·兰道推广。符号O源于德语“Ordnung”（阶），描述函数的增长阶。

大O记号的核心哲学是抽象与简化：

1. 忽略常数因子：3n和100n都是O(n)
2. 忽略低阶项：n² + 1000n + 50000是O(n²)
3. 关注最坏情况：为算法性能提供保证

这种简化不是“不精确”，而是有目的的抽象。就像地图不需要1:1的比例尺一样，复杂度分析不需要精确到时钟周期。

值得思考的是：大O记号反映的是渐近行为，对于小规模数据，常数因子可能更重要。这就是为什么有时“理论上更优”的算法在实践中不如简单算法。
:::

正交计算图：看见复杂度的光谱

兔狲教授打开投影仪，一幅规整的计算图出现在屏幕上。

“这是不同复杂度类别的正交计算图，”兔狲教授指着图说，“从左到右：输入规模n，经过不同复杂度类别，产生不同的增长曲线。”

小小猪盯着图，“O(1)到常数，O(log n)到对数……这个O(2ⁿ)到指数，连线突然变长了！”

“这就是关键，”兔狲教授说，“指数增长就像脱缰的野马——开始时微不足道，转眼间就冲破一切限制。”

小海豹仔细看着图的层级结构，“教授，这个图的设计……每个复杂度类别都在同一层级，输出曲线也在同一层级，很有秩序。”

“这就是正交计算图的力量，”兔狲教授微笑，“它用视觉语言告诉我们：复杂度不是模糊的感觉，而是清晰可分的类别。”

:::detail
进阶科普：复杂度类别的严格定义

计算机科学中，复杂度类别有严格的形式定义：

• P（多项式时间）：存在多项式时间算法解决的问题
• NP（非确定性多项式时间）：解可以在多项式时间内验证的问题
• EXP（指数时间）：需要指数时间的问题
• LOGSPACE：只需要对数空间的问题

著名的P vs NP问题（千禧年七大数学难题之一）问的是：P是否等于NP？如果是，那么所有容易验证解的问题也都容易找到解。

目前普遍认为P ≠ NP，这意味着有些问题本质上就比另一些问题困难。这种“本质困难性”的发现，是20世纪理论计算机科学最深刻的洞见之一。
:::

现实世界的复杂度困境

案例一：社交网络的蝴蝶效应

小小猪拿出手机，“像微信这样的社交网络，怎么找到‘可能认识的人’？”

“简单的算法是O(n²)的，”兔狲教授说，“假设你有100个好友，每个好友有100个好友。要找到共同好友，需要比较100×100=10,000次。”

他顿了顿，“但如果每人有1,000个好友呢？100万次操作。实际社交网络有数亿用户，O(n²)根本不可行。”

“那怎么办？”小小猪问。

“实际系统使用近似算法、索引技术和分布式计算，”兔狲教授说，“牺牲一点精确性，换取可行性。这是工程中常见的妥协。”

案例二：地图导航的迷宫

小海豹打开地图应用，“导航软件怎么找到最短路径？”

“最简单的暴力搜索是O(n!)，”兔狲教授说，“n是路口数量。对于20个路口的地图，20! ≈ 2.4×10¹⁸种可能路径。”

小小猪倒吸一口凉气，“这……算到宇宙末日也算不完。”

“所以需要更聪明的算法，”兔狲教授说，“比如Dijkstra算法（O(n²)）或A*算法（用启发式函数指导搜索）。这些算法不保证找到所有可能路径，但保证在可行时间内找到最优或近似最优解。”

:::info
兔狲教授的评语
现实世界的问题往往需要在理想与可行之间找到平衡。完美的解可能不存在，或者代价太高。好的算法设计师懂得：有时，足够好的解就是最好的解。
:::

空间与时间的永恒舞蹈——描述世界的结构互动

兔狲教授回到白板前，画了一个坐标轴。

“让我们回到最初的问题，”他说，“我们用什么结构来描述世界？答案是：时间和空间。但这两者不是孤立的，它们相互关联、相互制约。”

他指着坐标轴：“时间和空间就像天平的两端，增加一端，往往可以减少另一端。这就是描述世界的两种基本结构如何互动。”

空间换时间：查表法

“比如计算斐波那契数列，”兔狲教授举例，“朴素递归是O(2ⁿ)的，极其缓慢。但如果我们用一个数组存储已经计算过的结果——”

他在白板上写：

fib = [0, 1]  # 存储空间
for i in range(2, n+1):
    fib[i] = fib[i-1] + fib[i-2]  # 查表而非重复计算
​

“——就变成了O(n)时间，O(n)空间。用一点存储空间，换来巨大的时间节省。”

时间换空间：流式处理

“反过来，”兔狲教授继续说，“在内存有限的设备（如嵌入式系统）上，我们可能选择流式处理——一次只处理一小部分数据，虽然可能多花时间，但大大节省空间。”

小海豹若有所思：“这就像读书时，是买下整本书（占用书架空间），还是每次去图书馆借（花费时间）？”

“很好的比喻！”兔狲教授赞道，“资源分配的本质是权衡。没有免费的午餐，只有基于约束的优化选择。”

:::detail
进阶科普：时空权衡的数学形式

时空权衡可以形式化为时间-空间折衷定理。对于许多问题，存在一个连续谱：

设解决问题需要时间T和空间S，则通常有：

其中f(n)是问题固有的复杂度函数。

例如，在排序中：

• 快速排序：期望O(n log n)时间，O(log n)空间（递归栈）
• 归并排序：O(n log n)时间，O(n)空间（需要辅助数组）
• 堆排序：O(n log n)时间，O(1)空间（原地排序）

选择哪种算法，取决于具体场景：数据规模、内存限制、是否需要稳定性等。没有绝对的最好，只有最适合。
:::

关键要点

:::info
兔狲教授的总结：描述世界的两种结构
当我们用计算来描述世界时，时间和空间是我们最基本的描述框架。

1. 推理有代价：时间和空间是计算的硬约束，好的思考者首先评估资源边界
2. 复杂度类别：O(1)、O(log n)、O(n)、O(n²)、O(2ⁿ)代表不同的增长阶，差异可能天壤之别
3. 大O哲学：关注渐近趋势而非具体数字，进行有目的的抽象
4. 时空权衡：时间和空间常常可以相互转换，选择取决于具体约束
5. 可行性思维：现实问题往往需要在意与可行之间找到平衡，完美主义可能是效率的敌人
   :::

代码实践：复杂度分析的Python实现

"让我们用代码来理解不同时间复杂度的区别，"兔狲教授说，"从直观到抽象，从具体操作到渐近分析。"

不同时间复杂度的算法实现

import time
import matplotlib.pyplot as plt

# O(1) 常数时间复杂度
def constant_time_operation(n):
    """常数时间操作：无论输入多大，执行时间相同
    
    参数:
        n: 输入规模
    
    返回:
        总是返回42（示例操作）
    """
    return 42  # 无论n多大，这个操作的时间都相同

# O(log n) 对数时间复杂度
def binary_search_iterative(arr, target):
    """二分查找：每次将搜索空间减半
    
    参数:
        arr: 已排序的数组
        target: 要查找的目标值
    
    返回:
        目标值在数组中的索引，如果不存在则返回-1
    """
    left, right = 0, len(arr) - 1
    while left <= right:
        mid = left + (right - left) // 2  # 防止溢出
        if arr[mid] == target:
            return mid
        elif arr[mid] < target:
            left = mid + 1  # 搜索右半部分
        else:
            right = mid - 1  # 搜索左半部分
    return -1

# O(n) 线性时间复杂度
def linear_search(arr, target):
    """线性查找：逐个检查每个元素
    
    参数:
        arr: 数组
        target: 要查找的目标值
    
    返回:
        目标值在数组中的索引，如果不存在则返回-1
    """
    for i, value in enumerate(arr):
        if value == target:
            return i
    return -1

# O(n log n) 线性对数时间复杂度
def merge_sort(arr):
    """归并排序：分而治之的排序算法
    
    参数:
        arr: 待排序的数组
    
    返回:
        排序后的数组
    """
    if len(arr) <= 1:
        return arr
    
    # 分：将数组分成两半
    mid = len(arr) // 2
    left_half = merge_sort(arr[:mid])
    right_half = merge_sort(arr[mid:])
    
    # 治：合并两个有序数组
    return merge(left_half, right_half)

def merge(left, right):
    """合并两个有序数组"""
    result = []
    i = j = 0
    
    while i < len(left) and j < len(right):
        if left[i] < right[j]:
            result.append(left[i])
            i += 1
        else:
            result.append(right[j])
            j += 1
    
    # 添加剩余元素
    result.extend(left[i:])
    result.extend(right[j:])
    return result

# O(n²) 平方时间复杂度
def bubble_sort(arr):
    """冒泡排序：重复比较相邻元素
    
    参数:
        arr: 待排序的数组
    
    返回:
        排序后的数组
    """
    n = len(arr)
    for i in range(n):
        # 最后i个元素已经排序好
        for j in range(0, n - i - 1):
            if arr[j] > arr[j + 1]:
                arr[j], arr[j + 1] = arr[j + 1], arr[j]  # 交换
    return arr

# O(2ⁿ) 指数时间复杂度
def fibonacci_recursive(n):
    """递归计算斐波那契数（指数时间复杂度示例）
    
    参数:
        n: 斐波那契数的位置
    
    返回:
        第n个斐波那契数
    """
    if n <= 1:
        return n
    return fibonacci_recursive(n - 1) + fibonacci_recursive(n - 2)

# O(2ⁿ) 的改进版本：动态规划（下一章详细讲）
def fibonacci_dp(n):
    """动态规划计算斐波那契数（线性时间复杂度）
    
    参数:
        n: 斐波那契数的位置
    
    返回:
        第n个斐波那契数
    """
    if n <= 1:
        return n
    
    fib = [0] * (n + 1)
    fib[1] = 1
    
    for i in range(2, n + 1):
        fib[i] = fib[i - 1] + fib[i - 2]
    
    return fib[n]
​

时间复杂度对比实验

def measure_time_complexity():
    """测量不同时间复杂度算法的实际运行时间"""
    sizes = [10, 100, 1000, 10000]
    
    results = {}
    
    for size in sizes:
        # 准备测试数据
        sorted_arr = list(range(size))
        unsorted_arr = list(range(size, 0, -1))  # 倒序排列
        
        # O(1) - 常数时间
        start = time.time()
        constant_time_operation(size)
        o1_time = time.time() - start
        
        # O(log n) - 对数时间（在有序数组中查找中间值）
        target = size // 2
        start = time.time()
        binary_search_iterative(sorted_arr, target)
        olog_time = time.time() - start
        
        # O(n) - 线性时间（查找最后一个元素）
        start = time.time()
        linear_search(sorted_arr, size - 1)
        on_time = time.time() - start
        
        # O(n log n) - 线性对数时间（对倒序数组排序）
        start = time.time()
        merge_sort(unsorted_arr[:])  # 使用副本避免原地修改
        onlogn_time = time.time() - start
        
        # O(n²) - 平方时间（对倒序数组排序）
        # 注：对于大n，bubble_sort会很慢，所以小一点
        if size <= 1000:
            start = time.time()
            bubble_sort(unsorted_arr[:])
            on2_time = time.time() - start
        else:
            on2_time = None  # 太大，跳过
            
        # O(2ⁿ) - 指数时间（计算斐波那契数）
        # 注：指数时间增长太快，只测试小n
        if size <= 30:
            start = time.time()
            fibonacci_recursive(size)
            o2n_time = time.time() - start
        else:
            o2n_time = None
        
        results[size] = {
            'O(1)': o1_time,
            'O(log n)': olog_time,
            'O(n)': on_time,
            'O(n log n)': onlogn_time,
            'O(n²)': on2_time,
            'O(2ⁿ)': o2n_time
        }
        
        print(f"\n输入规模 n = {size}:")
        for complexity, t in results[size].items():
            if t is not None:
                print(f"  {complexity}: {t:.6f}秒")
            else:
                print(f"  {complexity}: 太大，跳过")
    
    return results

# 运行实验
print("不同时间复杂度算法运行时间对比实验")
print("=" * 50)
results = measure_time_complexity()
​

复杂度可视化工具

def plot_complexity_growth():
    """可视化不同时间复杂度的增长趋势"""
    n_values = list(range(1, 101))
    
    # 计算不同复杂度函数的增长
    constant = [1] * len(n_values)
    logarithmic = [np.log2(n) for n in n_values]
    linear = n_values
    linearithmic = [n * np.log2(n) for n in n_values]
    quadratic = [n ** 2 for n in n_values]
    exponential = [2 ** n for n in n_values]
    
    plt.figure(figsize=(12, 8))
    
    plt.plot(n_values, constant, label='O(1) - 常数', linewidth=2)
    plt.plot(n_values, logarithmic, label='O(log n) - 对数', linewidth=2)
    plt.plot(n_values, linear, label='O(n) - 线性', linewidth=2)
    plt.plot(n_values, linearithmic, label='O(n log n) - 线性对数', linewidth=2)
    plt.plot(n_values, quadratic, label='O(n²) - 平方', linewidth=2)
    # 指数增长太快，单独显示小范围
    plt.plot(n_values[:10], exponential[:10], label='O(2ⁿ) - 指数 (n≤10)', linewidth=2)
    
    plt.xlabel('问题规模 (n)', fontsize=12)
    plt.ylabel('时间复杂度增长', fontsize=12)
    plt.title('不同时间复杂度的增长趋势对比', fontsize=14)
    plt.legend()
    plt.grid(True, alpha=0.3)
    plt.yscale('log')  # 使用对数刻度更好地显示差异
    
    print("复杂度增长趋势图已生成。关键观察：")
    print("1. O(1)和O(log n)增长最慢，适合大规模问题")
    print("2. O(n)和O(n log n)是大多数实际问题的理想选择")
    print("3. O(n²)在大规模时会急剧变慢")
    print("4. O(2ⁿ)即使在小规模也增长极快，必须避免")

# 注意：需要numpy和matplotlib库
try:
    import numpy as np
    plot_complexity_growth()
except ImportError:
    print("\n提示：要运行可视化代码，请先安装numpy和matplotlib")
    print("安装命令: pip install numpy matplotlib")

print("\n" + "=" * 50)
print("兔狲教授的复杂度思考题：")
print("1. 如果n=100万，O(n²)算法需要多久？假设每步操作1纳秒")
print("2. 二分查找(O(log n))比线性查找(O(n))快多少倍？当n=10亿时呢？")
print("3. 为什么归并排序(O(n log n))比冒泡排序(O(n²))更适合大规模数据？")
​

"通过这些代码，"兔狲教授总结道，"我们不仅理解了不同时间复杂度的概念，更学会了资源意识——在开始编码前，先思考：这要花多少时间？需要多少空间？这是科学推理的第一步。"

兔狲教授的思考题

实践探索（适合小小猪）

1. 复杂度实验：编写两个程序：一个O(n²)的嵌套循环，一个O(n)的单循环。测试当n=1000, 10000, 100000时的运行时间。感受指数差异。

2. 算法设计：设计一个“找数组最大值”的算法。先写一个O(n²)版本（比较所有对），再改进为O(n)版本（遍历一次）。体会算法改进的力量。

3. 现实观察：观察身边的软件或设备（如电梯、红绿灯、搜索引擎），猜测它们可能使用了什么时间复杂度的算法。为什么这么选择？

历史探究（适合小海豹）

1. 符号溯源：研究大O记号的历史。为什么选择字母O？保罗·巴赫曼和埃德蒙·兰道各自贡献了什么？

2. 问题演化：调查“P vs NP问题”的来龙去脉。为什么这个问题如此重要？目前有哪些进展和假说？

3. 思想脉络：复杂度理论如何从图灵的可计算性理论发展而来？两者之间有什么深刻的联系？

综合思考

1. 伦理困境：假设你设计一个医疗诊断系统。一个算法准确率99.9%但需要10分钟，另一个准确率99%但只需1秒。你如何选择？为什么？

2. 极限挑战：如果摩尔定律继续有效（每18个月计算能力翻倍），能解决指数复杂度的问题吗？用数学证明你的观点。

3. 创造练习：设计一个“复杂度寓言”——用故事形式解释O(1)、O(log n)、O(n)、O(n²)、O(2ⁿ)的区别。（提示：可以比喻为不同速度的交通工具）

4. 未来想象：量子计算宣称能解决某些指数复杂度问题（如大数分解）。研究这是如何可能的？这会对现有复杂度理论产生什么冲击？

下一步预告

雨渐渐停了，夕阳的金光透过云层，在珠江江面上洒下一片碎金。康乐园的暮色温柔，木棉花在晚霞中显得格外沉静。

“今天我们从‘描述世界的结构’这个问题开始，”兔狲教授收拾着功夫茶具，“探索了时间和空间作为计算的基本框架，看到了推理的代价，看到了资源边界的存在。”

小小猪还在摆弄着计时器，测试不同算法的实际运行时间，电脑屏幕的光映在他专注的脸上。

小海豹合上笔记本，轻声说：“教授，如果有些问题，无论我们多聪明，无论计算机多快，都本质上无法在合理时间内解决呢？”

兔狲教授的动作停顿了一下，茶壶悬在半空。

“你说到了关键，”他缓缓道，“下一章，我们要探讨的正是这个问题：有些问题，连最强大的计算机也无法解决。”

小小猪猛地抬头，“什么？还有计算机解决不了的问题？”

“不是‘现在’解决不了，”兔狲教授纠正，“而是永远解决不了。这是计算的本质边界。”

小海豹眼睛一亮，“图灵的停机问题？”

“是的，”兔狲教授微笑，“我们将探索可计算性的极限——什么是计算机的终极边界。”

窗外，最后一缕阳光消失在地平线，远处珠江上的轮船亮起灯火。黑石屋的书房里，三个思考者的影子被灯光拉得很长，投在红砖墙上。

小小猪的笔记：测试结果让我震惊！O(n²)算法在n=10000时跑了5秒，O(n)算法只用了0.005秒。1000倍的差距！理论上的差异在现实中如此真实。

小海豹的笔记：读了大O的历史，发现它最初用于数论中素数分布的研究。数学的各个分支总是这样奇妙地连接着。

兔狲教授的结语：记住，好的算法设计师首先要有的就是资源意识。在开始编码前，先问问：这要花多少时间？需要多少空间？但更重要的是：这个问题本身有高效的解吗？我们慢慢来，理解了最重要。