时间复杂度和空间复杂度是度量算法效率的常用指标
时间度量
- 事后统计，不常用
- 事前统计影响因素：
算法策略 问题规模 程序语言 代码质量 机器执行指令的速度
撇开软硬件的影响，算法运行工作量的大小只依赖于问题的规模（通常用整数n表示）
一个算法是由控制结构（顺序，分支，循环三种）和原操作（指固有数据类型的操作）构成，则算法时间取决于两者的综合效果。
为了便于比较同一问题的不同算法，通常从算法中选取一种对于所研究问题来说是基本操作的原操作，以该基本操作重复执行的次数作为算法的时间度量。
算法的时间复杂度记做 T(n)=O(f(n))
它表示随问题规模n的增大，算法执行时间的增长率和 f(n) 的增长率相同
原操作的执行次数与包含他的语句的执行次数相同
- {++x; s = 0; }
- for( i = 1 ; i <= n ; ++i ) { ++x ; s += x;}
- for( j = 1 ; j <= n ; ++j )
for( k = 1 ; k <= n ; ++k ) { ++x ; s += x;}
含基本操作“x+1”的语句的频度分别为1，n和n^2，所以这三个程序段的时间复杂度分别为O(1)、O(n)、O( n^2 ) ，分别称为常量阶，线性阶和平方阶。
有些情况下，算法中基本操作重复执行的次数还随问题的输入数据集不同而不同。例如在冒泡排序算法中，“交换序列中相邻两个整数”这个基本操作执行次数可能为0，或者O(n^2)。这类算法时间复杂度有两种表示方法：一是考虑所有情况下时间复杂度的期望值（麻烦，而且出现概率难确定，所以不常用）；另一种是以最坏的情况下的时间复杂度作为该算法的时间复杂度。
空间复杂度
S(n)=O(f(n))
存储空间，工作空间（计算等），辅助存储空间等
空间复杂度感觉不怎么常用。。。不研究了。。。。
参考 严蔚敏，吴伟民编著的《数据结构》