在算法分析中，语句t（n）的执行总数是有关问题n的函数，然后分析n的变化t的变化，并确定顺序t（n）。
算法的时间复杂性（即算法的时间量）记录为：t（n）= o（f（f（n）））。这意味着随着尺寸n的增加，增长，增长算法执行时间的速率与f（n）的增长率相同。f（n）是量表n.in中的函数，使用资本o（）反映算法的时间复杂性，我们称其为伟大的O。
在正常情况下，随着n的增加，t（n）的最慢算法是最佳算法。
显然，可以看出，算法的时间复杂性的定义是，我们为普通时间复杂性的非官方名称。
我们可以通过以下方法得出算法的时间复杂性，该方法被称为得出整体O级：
1）使用常数1在运行时间内替换所有其他常数。2）在修改的运行函数中，仅保留最高级别。3）如果存在最高级别的项目而不是1，则使用此删除常数乘法物品。
以上结果是大的O级别。
假设有上述算法，尚未了解算法的学生可能会认为算法的时间复杂性为o（3），但实际上是O（1）。上面，第一步是替换3，它变为1，第二步。该算法根本没有最高水平，因此该算法的时间复杂性为O（1）。
假设采用以下算法，有十个句子sum =（1 + n）n / 2;/执行一次 * /
在上面的算法中，代码执行12行。实际情况与原始3行没有什么不同。因为问题的本质无关紧要，所以算法的时间复杂性仍然是O（1）。
大约我们称为O（1）的两种类型的时间，也称为恒定顺序。
如上面的代码所示，周期内的复杂性为O（1），焦点是N的大小。它决定了周期的数量，并且整个算法的时间复杂性为O（n）。
如上所述，计数的增长率一次乘以2。假设计数= 10，n = 100，则有以下相等的形式：
最后，三个处方10 2 = 80。该周期的时间复杂性为O（logn）。
在上述嵌套周期中，内存周期是线性顺序，时间的复杂性为o（n），外部循环的时间复杂性也为o（n），这等同于记忆的记忆记忆。第二，此代码的时间复杂性为o（n2）。
如果有以下算法：
上面的时间复杂性为O（MN）。
让我们看看复杂情况如何得出时间的复杂性：
当i = 0时，内部执行将执行n次；当i = 1，内部执行n-1，依此类推：
要转换上述公式，第一个增加项目为n+1，总计n n+1，然后等到以下公式：
以下是基于大o：1）没有添加方法的方法，因此未替换2）保留最高项目，即n2/2 3）删除常数，即删除1/2，等到最终结果为n2。
例如，可以得出一些结论。实际上，派生过程并不困难，如上所述，很难改变数字。
除了先前的介绍外，还有其他一些时间复杂性。
立方体步骤：o（n数）索引步骤：2英寸n纳入一对：nlogn步骤：n！N.
所有这些时间复杂性的时间消耗如下：o（1）<o（logn）<o（n）<o（nlogn）<o（n2）<o（n3）<o（n3）<o（2?）<o（n！）<o（n o）
改变时间的方式。
算法空间复杂度的计算公式记录为：s（n）= o（f（f（n）））。其中，n是问题的大小，f（n）是n所占据的存储空间的函数。
我们都使用“时间复杂性”来指代运行时间的需求，“空间复杂性”是指空间需求。当使用“复杂性”而没有有限的单词时，通常是指时间复杂性。
本文重点关注时间复杂性，并且不再有关于空间复杂性的介绍。