时间复杂度是衡量算法运行时间随输入规模增长而增长快慢的一种度量方式。它并不是指算法在特定硬件上的实际运行时间，而是算法在理想环境下执行时间的增长趋势。计算时间复杂度时，我们主要关注算法中执行次数最多的操作（即基本操作），并忽略常数项和低阶项。
以下是一些常见的时间复杂度计算方法：
1. 线性时间复杂度 O(n)
如果算法中基本操作的执行次数与输入规模n成正比，则称该算法具有线性时间复杂度。例如，遍历一个长度为n的数组。
2. 对数时间复杂度 O(log n)
如果算法的时间复杂度与输入规模n的对数成正比，则称该算法具有对数时间复杂度。这类算法通常涉及到二分查找等算法。
3. 平方时间复杂度 O(n^2)
如果算法的时间复杂度与输入规模n的平方成正比，则称该算法具有平方时间复杂度。这类算法常见于嵌套循环结构，每个循环的迭代次数都与n相关。
4. 指数时间复杂度 O(2^n)
如果算法的时间复杂度是指数级的，即与2的n次方成正比，那么该算法在处理大规模数据时将会非常低效。这类算法通常不用于处理大规模数据。
5. 常数时间复杂度 O(1)
如果算法的执行时间不随输入规模n的增加而增加，则称该算法具有常数时间复杂度。例如，访问数组中的某个特定位置的元素。
6. 复合时间复杂度
有些算法的时间复杂度可能包含多种时间复杂度的组合，如O(n + log n)、O(n^2 * log n)等。对于这类算法，我们通常关注其中最高阶的项，因为它决定了算法在大规模输入下的性能。
计算方法
- 找出算法中的基本操作：算法中执行次数最多的操作。
- 计算基本操作执行次数：通常与输入规模n有关，可能通过数学归纳法、递归式等方法求解。
- 忽略常数项和低阶项：只保留最高阶项，并忽略其系数。
- 使用大O表示法：将计算结果表示为O(f(n))的形式，其中f(n)是算法执行时间关于n的函数。
问1:
分析：
- 在white循环下入被不断乘以2最终当x乘的n个2后达到平衡
- 消去x，替换n”使得等式两边成立
- 得到最终结果O(log(n)))
问2 :
分析：!这里定义了一个fart函数，然后传入n。
也就是说循环次数取决于几小规模
2.当n<= 1时反回，程序结束，不然则一直循
环执行直到n值为1.
3.结合上述，也就是说最终结果应为n！,执行
次数实际上也就是n次
