文章转载自知乎：原文
由于文章时间复杂度写的很好，易于理解，故只截取了时间复杂度，空间复杂度没有转载
算法（Algorithm）是指用来操作数据、解决程序问题的一组方法。对于同一个问题，使用不同的算法，也许最终得到的结果是一样的，但在过程中消耗的资源和时间却会有很大的区别。
那么我们应该如何去衡量不同算法之间的优劣呢？
主要还是从算法所占用的「时间」和「空间」两个维度去考量。
-时间维度：是指执行当前算法所消耗的时间，我们通常用「时间复杂度」来描述。
-空间维度：是指执行当前算法需要占用多少内存空间，我们通常用「空间复杂度」来描述。
时间复杂度
「大O符号表示法 」，即 T(n) = O(f(n))；
常见的时间复杂度有：
常数阶O(1) 对数阶O(logN)
线性阶O(n) 线性对数阶O(nlogN)
平方阶O(n²) 立方阶O(n³)
K次方阶O(n^k) 指数阶(2^n)
1.常数阶 O(1)
无论代码执行了多少行，只要是没有循环等复杂结构，那这个代码的时间复杂度就都是O(1)，如：
int i = 1;
int j = 2;
++i;
j++;
int m = i + j;
上述代码在执行的时候，它消耗的时候并不随着某个变量的增长而增长，那么无论这类代码有多长，即使有几万几十万行，都可以用O(1)来表示它的时间复杂度。
2.线性阶O(n)
for(i=1; i<=n; ++i)
{
j = i;
j++;
}
这段代码，for循环里面的代码会执行n遍，因此它消耗的时间是随着n的变化而变化的，因此这类代码都可以用O(n)来表示它的时间复杂度。
3.对数阶O(logN)
int i = 1;
while(i从上面代码可以看到，在while循环里面，每次都将 i 乘以 2，乘完之后，i 距离 n 就越来越近了。我们试着求解一下，假设循环x次之后，i 就大于 2 了，此时这个循环就退出了，也就是说 2 的 x 次方等于 n，那么 x = log2^n
也就是说当循环 log2^n 次以后，这个代码就结束了。因此这个代码的时间复杂度为：O(logn)
4.线性对数阶O(nlogN)
线性对数阶O(nlogN) 其实非常容易理解，将时间复杂度为O(logn)的代码循环N遍的话，那么它的时间复杂度就是 n * O(logN)，也就是了O(nlogN)
拿上面代码修改举例：
for(m=1; m5.平方阶O(n²)
平方阶O(n²) 就更容易理解了，如果把 O(n) 的代码再嵌套循环一遍，它的时间复杂度就是 O(n²) 了。
for(x=1; i<=n; x++)
{
for(i=1; i<=n; i++)
{
j = i;
j++;
}
}
这段代码其实就是嵌套了2层n循环，它的时间复杂度就是 O(n*n)，即 O(n²);
我们如果将其中一层循环的n改成m，那么他的时间复杂度就是O(m*n)；
for(x=1; x<=m; x++)
{
for(i=1; i<=n; i++)
{
j = i;
j++;
}
}
6.立方阶O(n³)、K次方阶O(n^k)
参考上面的O(n²) 去理解就好了，O(n³)相当于三层n循环，其它的类似；