oj和正式的比賽一定會寫明評測機各引數的，如果只是想比較準確的知道實際評測的效率，可以搞一些無聊的大遞迴交上去試試（比如1e8次求mod），最多不過幾個tle/wa而已。好在大家的機器基本上差不多，除非碰到惡意卡常數的情況，否則憑藉一般人的常識足夠了（比如1e4^2臉沒洗好不要試，幾e6的規模nlgn多半能賭一下常數和資料放水，1e8線性演算法交之前看好自己的常數，再大就想想sqrt和log）。
自己**的話：
有個好方法：隨便來個極限資料，拿自己的機器跑一下（如果你覺得自己的機器太快，可以將自機的0.5s當成1s）。
如果資料不好構造，演算法複雜度一眼看不出怎麼辦？（我感覺下面這部分全是跑題）
乙個完整的題目可能由好幾個步驟構成，我們分類來看一下各種小的情況~
dp：dp的分析一般比較簡單，狀態和轉移都是自己設計的，複雜度基本沒什麼懸念，如果你用了複雜的結構來搞各種優化，多想想平攤分析一般還是沒什麼壓力的。
圖結構、資料結構：
這類題經典模板用的比較多，將幾層經典演算法組合在一起也很常見，分析有壓力的話（一般不會）加起來就好了，平攤分析有時候也很給力的。
貪心：貪心能夠超時可不多見……如果你使用了某些複雜的估價方法，一步步分析吧（哦有些時候也許可以平攤）。
網路流（這個單獨說）：
網路流超時一般只有三種情況：
你建圖建傻了 or 這個模型的一些特性使得它可以被優化成其他演算法 or 你寫錯了
不要去考慮什麼o(v^2e)，那是每次都考慮很差情況分析出來的。一般來說比賽中分析網路流的複雜度毫無意義……
字串：
嗯……c/c++的各種函式速度還是不錯的，常數沒有有些時候我們相信的那樣可怕。一般來說，匹配演算法等等經典模板分析不動直接記住就可以了，複雜的串處理一般都是卡編碼時間而不是執行時間。（如果真的遇到了需要分析的情況，說不定平攤分析還可以救命）
模擬：……好像沒什麼值得說的，複雜的模擬一般還是卡編碼時間而不是執行時間。
數學：無論是組合、數論、還是數字統計你多半的思考時間是在壓縮和合併各種資訊上面。看看你要處理的資訊和輸入是什麼關係，你能合併多少資訊。
搜尋：在我心中賽場上能把啟發搜尋分析清楚的都是大神。瘋狂剪枝不一定有好效果（資料可能是特殊的），搜尋題很少見的，多交交……
演算法複雜度 時間複雜度和空間複雜度
1 時間複雜度 1 時間頻度 乙個演算法執行所耗費的時間，從理論上是不能算出來的，必須上機執行測試才能知道。但我們不可能也沒有必要對每個演算法都上機測試，只需知道哪個演算法花費的時間多，哪個演算法花費的時間少就可以了。並且乙個演算法花費的時間與演算法中語句的執行次數成正比例，哪個演算法中語句執行次數...
演算法複雜度 時間複雜度和空間複雜度
演算法複雜度 時間複雜度和空間複雜度 關鍵字 演算法複雜度 時間複雜度 空間複雜度 1 時間複雜度 1 時間頻度 乙個演算法執行所耗費的時間，從理論上是不能算出來的，必須上機執行測試才能知道。但我們不可能也沒有必要對每個演算法都上機測試，只需知道哪個演算法花費的時 間多，哪個演算法花費的時間少就可以...
演算法複雜度 時間複雜度和空間複雜度
演算法的時間複雜度是指執行演算法所需要的計算工作量。n稱為問題的規模，當n不斷變化時，時間頻度t n 也會不斷變化。但有時我們想知道它變化時呈現什麼規律。為此，我們引入時間複雜度概念。一般情況下，演算法中基本操作重複執行的次數是問題規模n的某個函式，用t n 表示，若有某個輔助函式f n 存在乙個正...