大O复杂度表示法
大O时间复杂度实际上并不具体表示代码真正的执行时间，而是表示算法的执行时间随数据规模增长的变化趋势，所以，也叫作渐进时间复杂度（asymptotic time complexity），简称时间复杂度。
表示：
例如：，其中
大O复杂度表示法，就是代码执行的次数，三个比较实用的方法：
- 只关注循环执行次数最多的一段代码
- 加法法则：总复杂度等于量级最大的那段代码的复杂度
多段代码组成的代码的分析 - 乘法法则：嵌套代码的复杂度等于嵌套内外代码复杂度的乘积
循环内的方法调用
常见的复杂度量级
1. 多项式时间复杂度
常量阶
对数阶
线性阶
线性对数阶
比如：归并排序、快速排序
平方阶 ，立方阶
，...，k次方阶
2. 指数型时间复杂度
指数阶
阶乘阶
我们把时间复杂度为非多项式量级的算法问题叫作 NP（Non-Deterministic Polynomial，非确定多项式）问题。当数据规模 n 越来越大时，非多项式量级算法的执行时间会急剧增加，求解问题的执行时间会无限增长。所以，非多项式时间复杂度的算法其实是非常低效的算法。
对数知识
，所以通常省略底数，计作
图片发自：极客时间《数据结构与算法》王争
其他时间复杂度表示
除了常用的大O时间复杂度，继续了解其他四个复杂度分析方面的知识点，最好情况时间复杂度（best case time complexity）、最坏情况时间复杂度（worst case time complexity）、平均情况时间复杂度（average case time complexity）、均摊时间复杂度（amortized time complexity）。
关于平均情况时间复杂度，需要考虑每种情况出现的概率，引入概率论中的加权平均值，也叫作期望值，所以平均时间复杂度的全称应该叫加权平均时间复杂度或者期望时间复杂度。
内容总结自：
极客时间：《数据结构与算法》王争
