一般情况下，算法中基本操作重复执行的次数是问题规模 n 的某个函数 f(n) 算法的时间度量记作 T(n) = O(f(n))，他表示随着问题规模n增大，算法执行时间的增长率和 f(n) 的增长率相同，乘坐算法的渐进时间复杂度（Asymptotic Time Complexity），简称时间复杂度。
算法时间复杂度从小到大依次是： O(1) < O(logn) < O(n) < O(nlogn) < O(n2) < O(n3) < O(2n) < O(n!) <O(nn)
时间复杂度越高，算法消耗cpu就越高，执行速度就越慢。
分析时间复杂度代码举例如下:
int sum = 1, n = 100;
O(1):
sum = (1 + n) * n / 2;
O(logn):
while((sum < n){
sum = sum * 2;
}
O(n):
for(int i=0; i<n; i++){
sum += n;
}
O(n2):
for(int i = 0; i < n; i++){
for(int j = 0; j < n; j++){
sum += 1;
}
}
for(int i = 0; i < n; i++){
for(int j = i; j < n; j++){
sum += 1;
}
}
//上面这个循环其实没有执行到n的平方次，执行了n+(n-1)+(n-2)+...+1=n(n+1)/2= n 2/2 次因为常数不需要计算，所以n2/2最终他的时间复杂度还是O(n2)
算法的时间复杂度有最好，最坏和平均复杂度。比如在一个数据中查找一个数字，最好的时间复杂度为O(1)，最坏的时间复杂度为O(n)，平均复杂度为n/2
那么我们称这个算法的时间复杂度为O(n)，通常情况下，我们说的算法时间复杂度都是最坏时间复杂度。