多项式时间算法

    时间复杂度并不是表示一个程序解决问题需要花多少时间，而是当问题规模扩大后，程序需要的时间随规模增长得有多快。

    也就是说，对于高速处理数据的计算机来说，处理某一个特定数据的效率不能衡量一个程序的好坏。当这个数据的规模变大到数百倍后，程序运行时间是否相差不大，或者也跟着慢了数百倍，或者变慢了数万倍。

    1、不管数据有多大，程序处理花的时间始终是那么多的，我们就说这个程序很好，具有O($1$)的时间复杂度，也称常数级复杂度；
    2、数据规模变得有多大，花的时间也跟着变得有多长，这个程序的时间复杂度就是O($n$)，比如找n个数中的最大值；
    3、像冒泡排序、插入排序等，数据扩大2倍，时间变慢4倍的，属于O($n^2$)的复杂度。
    4、穷举类的算法，所需时间长度成几何阶数上涨，这就是O($a^n$)的指数级复杂度，甚至O(($n!$))的阶乘级复杂度。

    不会存在O(($2n^2$))的复杂度，因为数字“2”是系数，不会影响到整个程序的时间增长。同样地，O ($n^3+n^2$)的复杂度也就是O($n^3$)的复杂度。因此，我们会说，一个O($0.01n^3$)的程序的效率比O($100n^2$)的效率低，尽管在n很小的时候，前者优于后者，但后者时间随数据规模增长得慢，最终O(n^3)的复杂度将远远超过O($n^2$)。我们也说，O($n^{100}$)的复杂度小于O($1.01^n$)的复杂度。

    总结：容易看出，前面的几类复杂度被分为两种级别，其中后者的复杂度无论如何都远远大于前者：一种是O($1$),O($log(n)$),O($n^a$)等，我们把它叫做多项式级的复杂度，因为它的规模n出现在底数的位置；另一种是O($a^n$)和O($n!$)型复杂度，它是非多项式级的，其复杂度计算机往往不能承受。当我们在解决一个问题时，我们选择的算法通常都需要是多项式级的复杂度，非多项式级的复杂度需要的时间太多，往往会超时，除非是数据规模非常小。