摘要:
小心数据的爆炸性增长,不要进行不成熟的优化,但是要密切关注渐进复杂性.用户数据的算法应该能够预测所处理的数据量耗费的时间,最好不差于线性关系.如果能够证明优化必要而且非常重要,尤其在数据量逐渐增长的情况下,那么应该集中注意力改善算法的O(N)复杂性，而不是进行小型的优化。
防范可能的未来，要求我们要避免设计中含有面对更大的文件、更大的数据库、更多像素、更多窗口、更多进程和更多线路上传输的数据时会出现的性能陷阱的现象。
这一问题的解决方案分为两个部分。首先，即使不知道数据量是否会大到成为某个特定计算的问题，默认情况下也应该避免使用不能很好地应付用户数据量的算法，除非这种伸缩性不好的算法有明显的清晰性和可读性方面的好处。在编写程序时，要预先进行如下的处理：
１．使用灵活的、动态分配的数据，不要使用固定大小的数组。
２．了解算法的实际复杂性。
３．优先使用线性算法或者尽可能快的算法。
４．尽可能避免劣于线性复杂性的算法。
５．永远不要使用指数复杂性的算法。
其次，如果有测试数据表明优化非常必要而且重要，尤其是在数据量不断增加的情况下，那么应该集中精力改善Ｏ（Ｎ）复杂性，而不是把精力华仔节省一个多余假发这样的微观优化上。
总而言之，要尽可能优先使用线性（或者更好的）算法。尽可能合理地避免使用比线性算法差的多项式算法。竭尽全力避免使用指数算法。
