算法的复杂度：
我们一般用两个维度形容一个算法的资源消耗，以此来判断我们的算法是否优良，它们就是“时间复杂度”与“空间复杂度”
时间复杂度：
时间复杂度：指执行算法需要的计算工作量。
每个算法的语句执行次数与时间成正比，执行次数越多，花费的时间也就越多，这个语句执行次数我们称之为语句频度或时间频度，记为T(n)。n为问题的规模，当n不断变化时，时间频度T(n)也会变化，若有某个辅助函数f(n)，存在一个正常数c，使f(n)*c>=T(n)恒成立，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。意味着O(f(n))为执行这个算法所消耗时间的最大值。
在各种不同算法中，若算法中执行语句执行次数为一个常数，则时间复杂度为O(1)。另外，在时间频度不相同时，时间复杂度有可能相同，如T(n)=n^2+3n+4 与 T(n)=4n^2+2n+1它们的频度不同，但时间复杂度相同，都为O(n^2)，因为时间复杂度代表了资源消耗与n递增时的关系，相比n^2，在n越来越大时，n或k*n对T(n)的影响就非常小了。
按数量级递增排列，常见的时间复杂度有：
- 常数级O(1)
- 对数级O(log2n)（以2为底n的对数）
- 线性级O(n)
- 线性对数级O(n*log2n)
- 平方级O(n^2)或k方级O(n^k)
- 指数级O(2^n)或O(k^n)
常见算法时间复杂度：哈希O(1)，数组遍历O(n)，归并排序O(nlogn)，冒泡排序、选择排序O(n^2)，背包算法O(2^n)
空间复杂度：
空间复杂度： 指算法在计算机内执行时所需存储空间的度量，记作S(n)=O(f(n))。
算法执行期间所需要的存储空间分为3个部分：
- 算法程序所占的空间
- 输入的初始数数据所占的存储空间
- 算法执行过程中所需要的额外空间