分析：
1大部分程式的大部分指令之執行一次，或者最多幾次。如果乙個程式的所有指令都具有這樣的性質，我們說這個程式的執行時間是常數。
logn
如果乙個程式的執行時間是對數級的，則隨著n的增大程式會漸漸慢下來，如果乙個程式將乙個大的問題分解成一系列更小的問題，每一步都將問題的規 模縮減成幾分之一
n如果程式的執行時間的線性的，很可能是這樣的情況：對每個輸入的元素都做了少量的處理。當n=1 000 000時，執行時間大概也就是這個數值；當n增長到原來的兩倍時，執行時間大概也增長到原來的兩倍。如果乙個演算法必須處理n個輸入（或者產生n個輸出）， 那麼這種情況是最優的。
nlogn
如果某個演算法將問題分解成更小的子問題，獨立地解決各個子問題，最後將結果綜合起來
n平方如果乙個演算法的執行時間是二次的（quadratic），那麼它一般只能用於一些規模較小的問題。這樣的執行時間通常存在於需要處理每一對輸入 資料項的演算法（在程式中很可能表現為乙個巢狀迴圈）中，當n=1000時，執行時間是1 000 000；如果n增長到原來的兩倍，則執行時間將增長到原來的四倍。
n三次方
類似的，如果乙個演算法需要處理輸入資料想的三元組（很可能表現為三重巢狀迴圈），其執行時間一般就是三次的，只能用於一些規模較小的問題。當n=100時，執行時間就是1 000 000；如果n增長到原來的兩倍，執行時間將會增長到原來的八倍。
2的n次方
如果乙個演算法的執行時間是指數級的（exponential），一般它很難在實踐中使用，即使這樣的演算法通常是對問題的直接求解。當n=20時，執行時間是1 000 000；如果增長到原來的兩倍時，執行時間將是原時間的平方！
log log n 可以看作是乙個常數：即使n很多，兩次去對數之後也會變得很小 **自
附：log函式圖象
例子：
⑴ int num1,num2;
⑵ for(int i=0; i⑶ num1 += 1;
⑷ for(int j=1; j<=n; j*=2）
⑺ }分析：
⒈語句int num1,num2；的頻度為1；
語句i=0；的頻度為1；
語句i語句j<=n; j*=2; num2+=num1；的頻度為n*log2n；
t(n) = 2 + 4n + 3n*log2n
⒉忽略掉t(n）中的常量、低次冪和最高次冪的係數
f(n) = n*log2n
⒊lim(t(n)/f(n)) = （2+4n+3n*log2n) / (n*log2n)
= 2*（1/n)*（1/log2n) + 4*（1/log2n) + 3
當n趨向於無窮大，1/n趨向於0，1/log2n趨向於0
所以極限等於3。
t(n) = o(n*log2n)
簡化的計算步驟
再來分析一下，可以看出，決定演算法複雜度的是執行次數最多的語句，這裡是num2 += num1，一般也是最內迴圈的語句。
並且，通常將求解極限是否為常量也省略掉？
於是，以上步驟可以簡化為：
⒈ 找到執行次數最多的語句
⒉ 計算語句執行次數的數量級
⒊ 用大o來表示結果
繼續以上述演算法為例，進行分析：
⒈執行次數最多的語句為num2 += num1
⒉t(n) = n*log2n
f(n) = n*log2n
⒊// lim(t(n)/f(n)) = 1
t(n) = o(n*log2n)
dfs時間複雜度 時間複雜度 空間複雜度
時間複雜度的數學證明方法相對比較複雜，通常在工程實際中，會分析就好。注意 只看最高複雜度的運算 int for for for for int遞迴如何分析時間複雜度？常數係數可以忽略，在分析時不用考慮，只要說以上術語即可。主定理 master throrem 上述第四種是歸併排序，所有排序演算法，最...
時間複雜度 空間複雜度
時間複雜度 在電腦科學中，演算法的時間複雜度是乙個函式，它定性描述了該演算法的執行時間。這是乙個關於代表演算法輸入值的字串 的長度的函式。時間複雜度常用大o符號 表述，不包括這個函式的低階項和首項係數。計算時間複雜度的方法 1 只保留高階項，低階項直接丟棄 2 係數不要 3 執行次數是常數是為o 1...
時間複雜度 空間複雜度
演算法複雜度分為時間複雜度和空間複雜度。其作用 時間複雜度是指執行演算法所需要的計算工作量 而空間複雜度是指執行這個演算法所需要的記憶體空間。一 時間複雜度 時間頻度 乙個演算法執行所耗費的時間，從理論上是不能算出來的，必須上機執行測試才能知道。但我們不可能也沒有必要對每個演算法都上機測試，只需知道...