（以下是本人在学习程杰老师的《大话数据结构》所做的笔记）
一、算法的定义
算法（Algorithm）是解决特定问题求解步骤的描述，在计算机中表现为指令的有限序列，并且每条指令表示一个或多个操作。
二、算法的特性
1.输入输出 2.有穷性 3.确定性 4.可行性
三、算法的要求
1.正确性 2.可读性 3.健壮性 4.时间效率高和存储量低
四、算法效率的度量方法
1.事后统计方法（不科学、不准确） 2.事前分析估算方法
在分析程序的运行时间时，最重要的是把程序看成独立于程序设计语言的算法或一系列步骤。
五、算法的渐近增长
函数的渐近增长（概念）：给定两个函数 f(n) 和 g(n)，如果存在一个整数N，使得对于所有的 n>N, f(n) 总是比 g(n) 大，那么我们说 f(n) 的增长渐近快于 g(n) 。
（我的理解）就是给两个函数，n表示他们的规模，但n大于某一个值的时候，一个函数的值总是比另一个函数的大，那么我们可以理解这个函数渐近增长较快。
六、算法的时间复杂度（重点、难点）
1.算法的时间复杂度定义：在进行算法分析时，语句总的执行次数 T(n) 是关于问题规模n的函数，进而分析 T(n) 随n的变化情况并确定 T(n) 的数量级。算法的时间复杂度（算法的时间量度）记作 T(n) = O（f(n)）。表示随着问题规模n的增长，算法执行的时间的增长率和 f(n) 的增长率相同，称作算法的渐近时间复杂度，简称时间复杂度。其中 f(n) 是问题规模n的某个函数。
2.大O阶方法
（1）用常数1取代运行时间中的所有加法常数。
（2）在修改后的运行次数函数中，只保留最高阶项。
（3）如果最高阶项存在且不为1，则去除与这个项相乘的常数，得到的结果就是大O阶，即时间复杂度。
3.常见的时间复杂度所消耗时间的大小
O(1) < O(logn) < O(n) < O(nlogn) < O(n^2) < O(n^3) < O(2^n) < O(n!) < O(n^n)
原文：https://www.cnblogs.com/181118ljh123/p/12182122.html