1、如何考虑代码运行更快、更省存储空间，执行效率是算法一个重要指标。
2、算法分析：时间、空间
3、为什么需要复杂度分析呢？考虑到我们可以把代码跑一遍，通过统计，监控就能得到算法的执行时间和占用内存大小。
3-1）这种方式可以评估效率，可以称呼为事后统计法。
3-2）测试结果依赖测试环境，例如：机器、浏览器、硬件设备
3-3）测试结构根据数据量受限
4、大0复杂度表示法（渐进时间复杂度，简称：时间复杂度），大0时间复杂度并不具体表示代码真正执行时间，而是表示代码执行时间随数据规模而增长趋势。
案例如下： int cal(int n){ int sum = 0; int i=1; for(;i<=n;++i){ sum = sum +i; } return sum; }
代码执行时间T(n)与每行代码的执行次数n成正比。
案例分析：
1）3、4行代码都是常量级执行时间，与n的大小无关，所以对复杂度没有影响
2）5、6行代码执行n次
3）结果：总时间复杂度就是 0(n)
公式：
T(n) : 代码执行时间
n ：数据规模的大小
f(n)：每行代码执行次数的总和
0：代码执行时间 与 代码执行次数总和 成正比
分析：
1、只关注循环执行次数最多的一行代码，核心代码 执行次数n的量级，也就是整段代码的时间复杂度。
2、大0复杂度方法只是一种变化趋势
3、通常会忽略公式中的常量、低阶、系数，记录最大级量级
4、加法法则：总复杂度等于量级最大的那段代码的复杂度。
案例2:
sum_1：
1）代码循环1000次、10000次 ，只要是已知数，跟n无关，也是常量级执行时间，尽管有影响，从时间复杂度概念中讲，本身对数据增长趋势并没有影响。
sum_2：
1）0(n)
sum_3：
1）0(n的2平方)
--------
常见时间复杂度
1）0（1）只是常量级中的一个表示方法，而不是执行代码行数。
2）算法中不存在递归、循环，哪怕有成千上万的代码，时间复杂度都是0（1）
时间复杂度：0（log3n）
问题遗留：什么是对数阶？？？
0(nlogn) 算法时间复杂度，归并排序、快速排序，时间复杂度都是O(nlogn)
