时间复杂度及其计算
算法是指解题方案的准确而完整的描述，是一系列解决问题的清晰指令，算法代表着 用系统的方法描述解决问题的策略机制 。对于同一个问题的解决，可能会存在着不同的算法，为了衡量一个算法的优劣，提出了<u>空间复杂度与时间复杂度</u>这两个概念。
一个算法是由 控制结构（顺序、分支和循环3种） 和 原操作（指固有数据类型的操作） 构成的，则算法时间取决于<u>两者的综合效果</u>。为了便于比较同一个问题的不同算法，通常的做法是：
<p>从算法中选取一种对于所研究的问题（或算法类型）来说是基本操作的原操作，以该基本操作的重复执行的次数作为算法的时间量度。</p>
参考文章： 算法的时间复杂度和空间复杂度-总结
时间复杂度，又称时间频度，即 一个算法执行所耗费的时间 。
<u>一个算法花费的时间与算法中语句的执行次数成正比例，哪个算法中语句执行次数多，它花费时间就多。</u>一个算法中的语句执行次数称为语句频度或时间频度。记为T(n)
n称为 问题的规模 ，当n不断变化时，时间频度T(n)也会不断变化。一般情况下，算法中基本操作重复执行的次数是问题规模n的某个函数，用T(n)表示，<i> 若有某个辅助函数f(n),使得当n趋近于无穷大时，*T(n)/f(n)的极限值为不等于零的常数，则称f(n)是T(n)的同数量级函数。记作T(n)=O(f(n)),称O(f(n)) 为算法的渐进时间复杂度，简称时间复杂度。简单来说，就是T(n)在n趋于正无穷时最大也就跟f(n)差不多大。</i>
算法中语句执行次数为一个常数，则时间复杂度为O(1)。常见的时间复杂度有：<p><b>常数阶O(1),对数阶O(log2n),线性阶O(n), 线性对数阶O(n log2n),平方阶O(n2)，立方阶O(n3),...。</b></p>
<i><b>Log</b><u>2</u><b>8</b>：2为底N的对数，即2的几次方等于8，值为3</i>
常见的算法时间复杂度由小到大依次为：Ο(1)＜Ο(log2n)＜Ο(n)＜Ο(n log2n)＜Ο(n2)＜Ο(n3)＜…＜Ο(2n)＜Ο(n!)
即：常数阶 < 对数阶 < 线性阶 < 线性对数阶 < 平方阶 < 立方阶 < … < 指数阶 < 阶乘
如：
第一个for循环的时间复杂度为Ο(n)，第二个for循环的时间复杂度为Ο(n2)，则整个算法的时间复杂度为Ο(n1+n2+n3)=Ο(n3)。
Ο(1)表示基本语句的执行次数是一个常数，一般来说，只要算法中不存在循环语句，其时间复杂度就是Ο(1)。其中Ο(log2n)、Ο(n)、 Ο(nlog2n)、Ο(n2)和Ο(n3)称为多项式时间，而Ο(2n)和Ο(n!)称为指数时间。计算机科学家普遍认为前者（即多项式时间复杂度的算法）是有效算法。
<i>指数函数：y=ax，对数函数：y=logax，幂函数：y=xa
x为变量，a为常量</i>
