n 个整数的随机数组，需要计算这些整数的总和。
声明：最佳算法可以在 O(n) 的时间内完成此任务。O(1) 的时间内完成。为什么呢？n 肯定被锁定在某个字段中（因为它是 int 类型且 int 是有限的），这意味着我可以在不到 2,147,483,647 步内对所有元素求和。为什么不是每个算法都是O(1)？
简而言之：因为大O符号被用于量化算法，关注其随输入增加而表现的方式。
非正式地说，您可以将其视为人类发明的框架，以量化算法类别。如果这样的框架为每个算法产生O(1)，那么它本身的目的就会失败，即量化算法类别。
更详细的回答
让我们首先澄清当前上下文中的大O符号是什么。从(source)中可以读到：
下面的陈述不准确：大O符号是一种数学符号，描述了函数在参数趋向于特定值或无穷大时的极限行为。 (...) 在计算机科学中，大O符号用于根据输入大小的增长方式对算法进行分类。
Big O符号不代表一个函数，而是一个具有特定渐近上界的函数集；正如从源代码中可以看出的那样：
大O符号根据函数的增长速度进行分类：相同增长速度的不同函数可以使用相同的
O符号表示。
在计算机科学的时间复杂度和空间复杂度理论中，人们可以将 Big O 表示法视为对算法进行分类，以考虑它们分别涉及时间和空间的最坏情况。例如，O(n):
如果一个算法的时间/空间复杂度是 O(n)，那么就可以说该算法需要线性时间/空间，或者说它的时间/空间复杂度为 O(n)。简单来说，这意味着运行时间/空间随输入规模最多呈线性增长（source）。
因此，该复杂度为 O(n)，因为随着输入的增加，复杂度呈线性而不是常数增长。
承认，所有算法都具有复杂度O(1)的理论意义不大。
在复杂度理论中，N是一个无界变量，因此可以得到非平凡的渐进上界。
对于实际算法而言，渐进复杂度在N的中等值（远远小于最大int）范围内模拟确切复杂度是有用的。
在一些病态情况下（如最复杂的矩阵乘法算法），N必须超过int的容量，才能使渐进行为变得有益。
侧面备注：
我想起了一篇声称某个操作具有O(1)时间复杂度的论文。该操作涉及像素值的直方图，其范围确实是固定的。但这是一个具有误导性的技巧，因为隐藏的常数与8位图像成比例为256，与16位图像成比例为65536，使得该算法非常缓慢。声称O(H)，其中H是箱子的数量，将更加信息丰富和诚实。
N。你可以这样说：
然而，这种观点的使用受到了限制，因为我们希望使用复杂度来分类算法，以查看哪些算法表现更好，哪些表现更差，而将所有算法放入同一个桶中的分类并没有帮助。“由于计算机资源有限，因此我将这些限制视为常量因素，现在我的所有算法都是
O(1)。”