这个问题并不像有些人认为的那样愚蠢。至少在理论上，当我们采用大O符号的数学定义时，像O(1/n)这样的东西是完全合理的:

现在你可以很容易地用g(x)代替1/x……很明显，上面的定义对于某个f仍然成立。

为了估计渐近运行时增长的目的，这是不太可行的……一个有意义的算法不能随着输入的增长而变得更快。当然，你可以构造一个任意的算法来实现这一点，例如下面这个:

def get_faster(list):
    how_long = (1 / len(list)) * 100000
    sleep(how_long)

显然，随着输入大小的增长，这个函数花费的时间更少，至少直到硬件强制的某个限制(数字的精度，睡眠可以等待的最小时间，处理参数的时间等):这个限制将是一个常数下界，因此实际上上面的函数仍然有运行时O(1)。

但实际上，在现实世界中，当输入大小增加时，运行时可能会减少(至少部分减少)。但是请注意，这些算法不会在O(1)以下表现出运行时行为。不过，它们还是很有趣的。以Horspool的非常简单的文本搜索算法为例。在这里，期望运行时将随着搜索模式长度的增加而减少(但是增加草堆长度将再次增加运行时)。

我相信量子算法可以通过叠加“一次”进行多次计算……

我怀疑这是一个有用的答案。

这个问题并不像有些人认为的那样愚蠢。至少在理论上，当我们采用大O符号的数学定义时，像O(1/n)这样的东西是完全合理的:

现在你可以很容易地用g(x)代替1/x……很明显，上面的定义对于某个f仍然成立。

为了估计渐近运行时增长的目的，这是不太可行的……一个有意义的算法不能随着输入的增长而变得更快。当然，你可以构造一个任意的算法来实现这一点，例如下面这个:

def get_faster(list):
    how_long = (1 / len(list)) * 100000
    sleep(how_long)

显然，随着输入大小的增长，这个函数花费的时间更少，至少直到硬件强制的某个限制(数字的精度，睡眠可以等待的最小时间，处理参数的时间等):这个限制将是一个常数下界，因此实际上上面的函数仍然有运行时O(1)。

但实际上，在现实世界中，当输入大小增加时，运行时可能会减少(至少部分减少)。但是请注意，这些算法不会在O(1)以下表现出运行时行为。不过，它们还是很有趣的。以Horspool的非常简单的文本搜索算法为例。在这里，期望运行时将随着搜索模式长度的增加而减少(但是增加草堆长度将再次增加运行时)。

在数值分析中，近似算法在近似公差范围内应具有次常数的渐近复杂度。

class Function
{
    public double[] ApproximateSolution(double tolerance)
    {
        // if this isn't sub-constant on the parameter, it's rather useless
    }
}

如果解决方案存在，它可以在常数时间=立即准备和访问。例如，如果您知道排序查询是针对倒序的，则使用LIFO数据结构。然后，假设选择了适当的模型(LIFO)，数据就已经排序了。

从我之前学习的大O符号来看，即使你需要1步(比如检查一个变量，做一个赋值)，那也是O(1)。

注意，O(1)和O(6)是一样的，因为“常数”并不重要。这就是为什么O(n)和O(3n)是一样的。

如果你需要1步，那就是O(1)。因为你的程序至少需要1步，所以算法的最小值是O(1)。除非我们不这样做，那么它是O(0)，对吧?如果我们做任何操作，那么它就是O(1)这是它能达到的最小值。

(如果我们选择不这样做，那么它可能成为一个禅宗或道的问题……在编程领域，O(1)仍然是最小值)。

或者这样怎么样:

程序员:老板，我找到了一个在O(1)时间内完成的方法! 老板:没必要，今天早上我们就要破产了。 程序员:哦，那么它就变成了O(0)。