分析算法时间复杂度的基本方法：
若f（n）=+
是m次多项式，则T（n）=O（
）
忽略所有低次幂和最高次幂的系数，体现出增长率的含义！
1.找出语句频度最大的那条语句作为基本语句
2.计算基本语句的频度得到问题规模n的某个函数f（n）
3.取其数量级用符号“O”表示
时间复杂度是由嵌套最深层语句的频度决定的
算法中的基本操作语句为c[i][j]=c[i][j]+a[i][k]*b[k][j];
T(n)=
算法时间复杂度 ：
最坏时间复杂度：指在最坏情况下，算法的时间复杂度。
平均时间复杂度：指在所有可能输入实例在等概率出现的情况下，算法的期望运行时间，
最好时间复杂度：指在最好情况下，算法的时间复杂度。
一般总是考虑在最坏情况下的时间复杂度，以保证算法的运行时间不会比它更长。
对于复杂的算法：
可以将它分成几个容易估算的部分，然后利用大O加法法则和乘法法则，计算算法的时间复杂度：
1.加法规则：
T（n）=T1(n)+T2(n)=O(f(n))+O(g(n))=O(max(f(n),g(n));
2.乘法规则
T（n）=T1(n)×T2(n)=O(f(n))×O(g(n))=O(f(n)×g(n));
算法时间效率的比较
当n取得很大时，指数时间算法和多项式时间算法在所需时间上非常悬殊！
| n | f(1) | f(logn) | f(n) | f(nlogn) | f( | f( | f( | f(n!) |
| 1 | 1 | 0 | 1 | 0 | 1 | 1 | 2 | 1 |
| 2 | 1 | 1 | 2 | 2 | 4 | 8 | 4 | 2 |
| 4 | 1 | 2 | 4 | 8 | 16 | 64 | 16 | 24 |
| 8 | 1 | 3 | 8 | 24 | 64 | 512 | 256 | 40320 |
| 16 | 1 | 4 | 16 | 64 | 256 | 4096 | 65536 | 2.0923E+13 |
| 32 | 1 | 5 | 32 | 160 | 1024 | 32768 | 4.295E+09 | 2.6313E+35 |
时间复杂度T(n)按数量级递增顺序为：
复杂度低 复杂度高
-------------------------------------------------------------------------------------------------------------------------
| 常数阶 | 对数阶 | 线性阶 | 线性对数阶 | 平方阶 | 立方阶 | ... | K次方阶 | 指数阶 |
| O(1) | O( | O(n) | O(n | O( | O( | O( | O( |
渐进空间复杂度：
空间复杂度：算法所需存储空间的度量。
记作：S(n)=O(f(n))
其中n为问题的规模（或大小）
算法要占据的空间：
算法本身要占据的空间，输入/输出，指令，常数，变量等
算法要使用的辅助空间
算法空间复杂度分析例题
将一维数组a中的n个数逆序存放到原数组中
算法1
for(i=0;i<n/2;i++){
t=a[i];
a[i]=a[n-i-1];
a[n-i-1]=t;
}
//S(n)=O(1) 原地工作
算法2
for(i=0;i<n;i++)
b[i]=a[n-i-1];
for(i=0;i<n;i++)
a[i]=b[i];
//S(n)=O(n)算法1的空间效率要高于算法2的空间效率；
