1.算法時間複雜度（算法的時間的量度）
T（n） = O(f（n）)
定義：在計算算法分析時，語句總的執行次數T（n）是關於問題規模n的函數，進而分析T（n）隨n的變化情況並確定T（n）的數量.
執行次數 = 時間
最優算法—->隨着時間的增大，T（n）增長最慢的算法最優
2.推導算法時間複雜度（大O階）的方法：
1) 常數1取代運行時間中的所有加法常數—–>O（1）
2) 在修改後的運行次數函數中，只保留最高階項。
3)如果最高項階存在且不爲1，那麼去除在於這個項相乘的常數。———>大O階
常數階，O(1)
線性階，一般含有非嵌套循環（單個循環）的會涉及到，就是隨着函數規模n的擴大，對應計算次數呈之前增長O（n）
平方階，含有嵌套循環（多個循環）O(n^循環次數)
對數階，比如O（logn）
3.函數調用的時間複雜度分析
常用的時間複雜度所耗費的時間從小到大一次爲：O(1) < O(logn) < O(n) < O(nlogn) < O(n^2) < O(n^3) < O(2^n) < O(n!) < O(n^n)
4.最壞情況O（n）與平均情況(期望的平均運行時間)
1.算法的空間複雜度
S（n） = O（f（n））—–>f(n)指的是關於n所存儲空間的函數
通過計算算法所需的存儲空間實現