算法的时间复杂度和空间复杂度合称为算法的复杂度。1.时间复杂度（1）时间频度一个算法执行所耗费的时间，从理论上是不能算出来的，必须上机运行测试才能知道。但我们不可能也没有必要对每个算法都上机测试，只需知道哪个算法花费的时间多，哪个算法花费的时间少就可以了。并且一个算法花费的时间与算法中语句的执行次数成正比例，哪个算法中语句执行次数多，它花费时间就多。一个算法中的语句执行次数称为语句频度或时间频度。记为T(n) 。（2）时间复杂度在刚才提到的时间频度中，n 称为问题的规模，当n 不断变化时，时间频度 T(n) 也会不断变化。但有时我们想知道它变化时呈现什么规律。为此，我们引入时间复杂度概念。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，用T(n) 表示，若有某个辅助函数f(n), 使得当 n 趋近于无穷大时， T（n)/f(n) 的极限值为不等于零的常数，则称f(n)是 T(n) 的同数量级函数。记作T(n)=Ｏ(f(n)), 称Ｏ (f(n)) 为算法的渐进时间复杂度，简称时间复杂度。时间频度不同，但时间复杂度可能相同。如：T(n)=n2+3n+4 与 T(n)=4n2+2n+1它们的频度不同，但时间复杂度相同，都为O(n2)。按数量级递增排列，常见的时间复杂度有：常数阶O(1), 对数阶 O(log 2n),线性阶O(n), 线性对数阶 O(nlog 2n),平方阶 O(n2)，立方阶 O(n3),...， k 次方阶 O(nk),指数阶 O(2n)。随着问题规模n 的不断增大，上述时间复杂度不断增大，算法的执行效率越低。（3）最坏时间复杂度和平均时间复杂度最坏情况下的时间复杂度称最坏时间复杂度。一般不特别说明，讨论的时间复杂度均是最坏情况下的时间复杂度。 这样做的原因是： 最坏情况下的时间复杂度是算法在任何输入实例上运行时间的上界，这就保证了算法的运行时间不会比任何更长。在最坏情况下的时间复杂度为T(n)=0(n) ，它表示对于任何输入实例,该算法的运行时间不可能大于0(n) 。 平均时间复杂度是指所有可能的输入实例均以等概率出现的情况下，算法的期望运行时间。指数阶 0(2n)，显然，时间复杂度为指数阶0(2n)的算法效率极低，当n 值稍大时就无法应用。（4）求时间复杂度【1】如果算法的执行时间不随着问题规模n 的增加而增长， 即使算法中有上千条语句，其执行时间也不过是一个较大的常数。此类算法的时间复杂度是O(1) 。x=91; y=100; while(y>0) if(x>100) {x=x-10;y--;} else x++; 解答：T(n)=O(1)，这个程序看起...
