算法复杂度分为时间复杂度和空间复杂度。
时间复杂度是指执行算法所需要的计算工作量；
而空间复杂度是指执行这个算法所需要的内存空间。
（算法的复杂性体现在运行该算法时的计算机所需资源的多少上，计算机资源最重要的是时间和空间（即寄存器）资源，因此复杂度分为时间和空间复杂度）。
简单来说，时间复杂度指的是语句执行次数，空间复杂度指的是算法所占的存储空间
时间复杂度
计算时间复杂度的方法：
⑴ 找出算法中的基本语句；
算法中执行次数最多的那条语句就是基本语句，通常是最内层循环的循环体。
⑵ 计算基本语句的执行次数的数量级；
只需计算基本语句执行次数的数量级，这就意味着只要保证基本语句执行次数的函数 中的最高次幂正确即可，可以忽略所有低次幂和最高次幂的系数。这样能够简化算法 分析，并且使注意力集中在最重要的一点上：增长率。
⑶ 用大Ο记号表示算法的时间性能。
将基本语句执行次数的数量级放入大Ο记号中。
如果算法中包含嵌套的循环，则基本语句通常是最内层的循环体，如果算法中包含并列的循环，则将并列循环的时间复杂度相加。
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(logn),线性阶O(n),
线性对数阶O(nlogn),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。
while(i<n){
i*=2
}
这个复杂度logn
如何判断一个函数是对数级的复杂度？（n经过几次除以a的操作后等于b？）
递归的时间复杂度：
1、如果递归中只进行了一次递归调用，递归深度（进行了多少次递归）为depth，每个递归函数复杂度为T，总体时间复杂度是T*depth，如
function pow(a,b){
if(b==0)return 1;
t=pow(a,b/2);
return t*t
}//T=O(1),depth=O（logn）（b一直除以2直到等于0），整体复杂度logn
2、如果递归中进行了多次递归调用，计算调用的次数（可以画一棵树来解决）。
function f(n){
if(n==0)return 1;
return f(n-1)+f(n-1);
}//这个算法调用次数为2^0+2^1+2^2+……+2^n=2^n+1 - 1，复杂度为2^n
空间复杂度，是对一个算法在运行过程中临时占用存储空间大小的量度。所以它强调的是使用的辅助空间的的大小，而不是指所有的数据所占用的空间。比如开辟一个辅助数组，O（N）；开一个二维数组就是O（N2）。如果只用到常量存储数据就是O（1）
要注意的是递归算法的空间复杂度，假如递归深度为N*每次递归的辅助空间大小，如果每次递归的辅助空间为常数，则空间复杂度为O(N)。
