计算算法的时间复杂度和空间复杂度是算法分析的重要部分。以下是计算复杂度的基本步骤和要点：
时间复杂度计算
确定基本操作：
找出算法中重复执行的基本操作，并计算其执行次数。
计算执行次数：
分析算法中每个基本操作的执行次数，通常考虑最坏情况。
数量级计算：
忽略掉执行次数函数中的常数项、低次幂项，只保留最高阶项。
大O表示法：
用大O表示法表示时间复杂度，即`T（n） = O（f（n））`，其中`T（n）`是算法执行次数关于输入规模`n`的函数，`f（n）`是`n`的某个函数。
空间复杂度计算
确定变量和辅助空间：
分析算法中使用的数据结构、变量和辅助空间（如递归栈、临时数组等）。
计算总空间需求：
将变量和辅助空间的需求相加，得到算法的总空间需求。
大O表示法：
用大O表示法表示空间复杂度。
示例
假设有一个简单的算法，其执行过程如下：
```c
for （int i = 0； i < n； i++） {
// 基本操作
}
```
在这个例子中，基本操作是循环体中的代码，它执行`n`次。因此，时间复杂度为`O（n）`。
注意事项
最坏情况分析：通常考虑算法在最坏情况下的时间复杂度。
忽略常数因子：在大O表示法中，常系数会被忽略，只关注最高阶项。
渐进分析：当`n`趋近于无穷大时，算法的时间复杂度由最高阶项决定。
通过以上步骤，可以计算出算法的时间复杂度和空间复杂度，并比较不同算法的性能