算法时间复杂度

三个循环：

for x in ...

   for y in ...

     for z in ..

时间复杂度O（N^3）

对于二循环：

for 0..n

 for 0..m

在运算过程成，需要的步数是N*M，那么称呼它的复杂度是O(N^2)，

N衡量的是你的算法，步数上升的一个量级

如果是一个for 0..n的算法，那么时间复杂度是O(N)

如果是：x = 10，这样一行完成的代码，它的复杂度是O(1)

    也许你的O(N)的算法，会比O(N^2)的算法所花的时间长，因为你那个O(N)的算法，可能需要处理100万个数据

而你那个O(N^2)的算法可能只需要处理100个数据，那么100*100 = 10000，还是比一百万数据的处理时间少

但是衡量算法性能好坏不看那个绝对时间，看这个大O，因为你的复杂度是O(N^2)的话，它随着数据量的增大，它的时间上升特别快

O(N)则是线性上升，当然，大O的复杂度如果是指数或者是阶乘，那就是复杂度很高，效率很低的算法，那就是复杂度很高，效率很低的算法

二分查找法，时间就是O(ln)，因为每次都是除以2，所需步数的量级就是lnN

所以上面这个算法的复杂度是O(N^2)

我们可以把它降到O(N*lnN)

如果把其中一个for去掉，换成一个二分查找，加一个中间数组

就可以实现