我们用O（T(n)）来表示复杂度，读bigO,T(n)为输入的规模，只看T（n)的高级项，忽略低级项和常数项，这种方法叫渐进分析。（注意：这是最坏情况下的分析）
我们统一算法和机器性能
基本操作，如运算、赋值、比较等，基本操作的代价为1.
一个顺序结构的代码，时间复杂度是 O(1)。
二分查找，或者更通用地说是采用分而治之的二分策略，时间复杂度都是 O(logn)。
一个简单的 for 循环，时间复杂度是 O(n)。
两个顺序执行的 for 循环，时间复杂度是 O(n)+O(n)=O(2n)，其实也是 O(n)。
两个嵌套的 for 循环，时间复杂度是 O(n²)。
程序优化的最核心的思路
第一步，暴力解法。在没有任何时间、空间约束下，完成代码任务的开发。
第二步，无效操作处理。将代码中的无效计算、无效存储剔除，降低时间或空间复杂度。
第三步，时空转换。设计合理数据结构，完成时间复杂度向空间复杂度的转移。
统一后，算法的运行时间依赖于问题的输入规模与实例。
相同输入规模，实例影响性能：下面是插入排序的伪代码，在内循环中，我们不知道比较的次数，此时考虑最好情况和最坏情况
插入排序的输入，正序或者逆序，比较的次数不同
但是我们通常情况下考虑的是最坏情况下的复杂度：
也即是，在最坏情况下分析，算法的运行时间，也就是时间复杂度只与输入的规模有关系：
渐进分析用O（）表示法。