我們假設有一臺執行速度足夠快，記憶體足夠大的電腦（突破普朗克常量物理極限，達到數學層面的無限），快到可以瞬間做完任何任務，大到可以塞下任何程式棧，那麼我們從此似乎不再需要繼續鑽研資料結構和演算法了，暴力求解，暴力遞迴就是一切，顯然，這樣的電腦是不存在的。
舉這個例子就是想說明：資料結構和演算法問題必須放在具體時空條件下，具體情況具體分析，所以我們愛用最佳化這個詞，我們傾向於用更少的空間，更少的時間，做更多的計算，理論上軟體最佳化是有極限的，因為總要給磁碟，記憶體，cpu 物理工作的時間。
我們碰到的問題無非是在受限的時空條件下，完成目標的計算任務，或是基於源程式做定向最佳化。
定標準看起來是一件比較容易的事：
時間嘛，看程式執行多少毫秒就完事了，快就是好。
空間嘛，看佔了多少 bit，少就是好。
似乎很有道理，仔細琢磨一下有這樣一個問題：
程式 A 在資料量比較小的情況下時空消耗都還好，感覺資料量增大了也不多，消耗卻像細胞分裂一樣吃掉了遠遠高於預期的資源，慢慢嘗試後我們會發現，隱隱約約消耗與資料量有著函式關係式的對應，或是線性，或是呈指數。
於是為了拋棄上面那種粗略量化的糟粕，我們有了更精確的定性定量的工具。
離散數學討論了這樣一個問題：y = x 和 y = x ^ 2，當 x 越來越大時，誰增長的更快呢？
顯然是 x ^ 2，那麼當我們研究一個 y = 2x + 3x ^ 2，這樣的問題時，是不是可以忽略 2x 這項的消耗呢？
舉個簡單的例子，小胖和小美一起吃飯，當兩人吃的時間足夠長，東西足夠多的時候，我們是不是可以斷言，伙食費裡面的絕大部分都是小胖吃的？
所以一個很聰明的辦法是在更大的損耗面前，忽略那些不這麼重要的消耗。
而演算法導論等著作中，關於時空消耗有著非常清晰且規整的介紹，下篇聊聊！
本作品採用《CC 協議》，轉載必須註明作者和本文連結