定義
對於不同的機器環境而言，確切的單位時間是不同的，但是對於算法進行多少個基本操作（即花費多少時間單位）在規模數量級上卻是相同的，由此可以忽略機器環境的影響而客觀的反應算法的時間效率。
對於算法的時間復雜度效率，我們可以用“大O記法”來表示。
“大O記法”：對於單調的整數函數f，如果存在一個整數函數g和實常數c>0，使得對於充分大的n總有f(n)<=c*g(n)，就說函數g是f的一個漸近函數（忽略常數），記為f(n)=O(g(n))。也就是說，在趨向無窮的極限意義下，函數f的增長速度受到函數g的約束，亦即函數f與函數g的特征相似。
時間復雜度：假設存在函數g，使得算法A處理規模為n的問題示例，所用時間為T(n)=O(g(n))，
對於算法進行特別具體的細致分析雖然很好，但在實踐中的實際價值有限。對於算法的時間性質和空間性質，最重要的是其數量級和趨勢，這些是分析算法效率的主要部分。而計量算法基本操作數量的規模函數中那些常量因子可以忽略不計。例如，可以認為3n^2和100n^2屬於同一個量級，如果兩個算法處理同樣規模實例的代價分別為這兩個函數，就認為它們的效率“差不多”，都為n^2級。
- 我們主要關注算法的最壞情況，亦即最壞時間復雜度。
基本計算規則
1、基本操作，即只有常數項，認為其時間復雜度為O(1)
2、順序結構，時間復雜度按加法進行計算
3、循環結構，時間復雜度按乘法進行計算
4、分支結構，時間復雜度取最大值
5、判斷一個算法的效率時，往往只需要關注操作數量的最高次項，其它次要項和常數項可以忽略
6、在沒有特殊說明時，我們所分析的算法的時間復雜度都是指最壞時間復雜度
常見時間復雜度
常見時間復雜度之間的關系
排序算法的時間復雜度
