时间复杂度：执行的次数和问题规模之间的函数关系。
时间复杂度计算方法：
1.用常数1取代运行时间中的所有加法常数；
2.只考虑最高阶项，低阶项直接丢掉；
3.系数不要,指数不能丢。
最后，得到的最后结果就是时间复杂度。
常见的时间复杂度：
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 n ),线性阶O(n),平方阶O(n^2)，立方阶O(n^3),...，k次方阶O(n^k),指数阶O(2^n)。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。
也就是：
常用的时间复杂度所耗费的时间从小到大依次是：O(1) < O(logn) < (n) < O(n^2) < O(n^3) < O(2^n) < O(n!) < O(n^n)
// 常数阶
x=x+1 时间复杂度是O(1),因为，按照时间复杂度的定义来说，n和问题的规模没有关系。当然，按照时间复杂度计算方法第一条也可以得出结果为O(1)。
// 线性阶
for (i=1;i<=n;i++)
x=x+1;
时间复杂度是O(n)，因为问题规模会随着n的增长而变得越来越大，并且这种增长是线的。
// 平方阶
for(i=1；i<=n;i++)
for(j=1;j<=n;j++)
x=x+1;
上面这段代码外层执行n次，外层循环每执行一次，内层循环就执行n次，那总共程序想
从这两个循环出来，需要执行n*n次，也就是n的平方。所以时间复杂度O(n^2)。
// 对数阶
int i = 1, n = 100;
while( i < n )
{
i = i * 2;
}
由于每次i*2之后，就距离n更近一步，假设有x个2相乘后大于或等于n，则会退出循环。于是由2^x = n得到x = log(2)n，所以这个循环的时间复杂度为O(logn)。
算法的空间复杂度：实现该算法需要额外的辅助空间及问题规模的函数关系
算法的空间复杂度的计算公式记作：S(n)=O(f(n))，其中，n为问题的规模，f(n)为语句关于n所占存储空间的函数。
使用递归空间复杂度为O（n）;
其他的常数则为O（1）。