算法：是一组明确步骤的有序集合，它产生结果并在有限的时间内终止。
工具：UML、伪代码和结构图。UML(统一建模语言)是算法的图形化表示；伪代码是算法类似英语的表示；结构图是显示算法和子算法间关系的高级设计工具。
常见算法：求和、乘积、求最小和最大值、排序和查找。
排序的基本算法：选择排序、冒泡排序和插入排序。
查找算法：顺序查找和折半查找(二分查找)。顺序查找是可以在任意列表中查找目标项的，折半查找是在排序的列表中查找。
方法：有两种方法编写求解问题的算法。一种是迭代；另一种是递归。
复杂度
时间复杂度：用来度量算法的运行时间，记作: T(n) = O(f(n))。它表示随着输入大小n 的增大，算法执行需要的时间的增长速度可以用 f(n) 来描述。 T(n)是时间频度。时间频度是指一个算法中的语句执行次数。
对于一个循环，假设循环体的时间复杂度为 O(n)，循环次数为 m，则这个 循环的时间复杂度为 O(n×m)。
由执行次数 T(n) 得到时间复杂度并不困难，很多时候困难的是从算法通过分析和数学运算得到 T(n)。对此，提供下列四个便利的法则，这些法则都是可以简单推导出来的，总结出来以便提高效率。
function aFunc(int n) {
for(int i = 0; i < n; i++) { // 循环次数为 n
console.log("Hello, World!\n"); // 循环体时间复杂度为 O(1)
}
}
此时时间复杂度为 O(n × 1)，即 O(n)。
function aFunc(int n) {
for(int i = 0; i < n; i++) { // 循环次数为 n
for(int j = 0; j < n; j++) { // 循环次数为 n
console.log("Hello, World!\n"); // 循环体时间复杂度为 O(1)
}
}
}
此时时间复杂度为 O(n × n × 1)，即 O(n^2)。
function aFunc(int n) {
for (int i = 0; i < n; i++) {
for (int j = i; j < n; j++) {
console.log("Hello World\n");
}
}
}
参考答案： 当 i = 0 时，内循环执行 n 次运算，当 i = 1 时，内循环执行 n - 1 次运算……当 i = n - 1 时，内循环执行 1 次运算。 所以，执行次数 T(n) = n + (n - 1) + (n - 2)……+ 1 = n(n + 1) / 2 = n^2 / 2 + n / 2。 根据上文说的 大O推导法 可以知道，此时时间复杂度为 O(n^2)。
function aFunc(int n) {
for (int i = 2; i < n; i++) {
i *= 2;
console.log("%i\n", i);
}
}
参考答案： 假设循环次数为 t，则循环条件满足 2^t < n。 可以得出，执行次数t = log(2)(n)，即 T(n) = log(2)(n)，可见时间复杂度为 O(log(2)(n))，即 O(log n)。
空间复杂度
定义：是对一个算法在运行过程中临时占用存储空间大小的一个量度，同样反映的是一个趋势，我们用 S(n) 来定义。记做S(n)=O(f(n)) 空间复杂度是考虑程序运行时占用内存的大小，而不是可执行文件的大小。
int j = 0;
for (int i = 0; i < n; i++) {
j++;
}
第一段代码我们可以看出，随着n的变化，所需开辟的内存空间并不会随着n的变化而变化。即此算法空间复杂度为一个常量，所以表示为大 O(1)
let m = new Array[n]
for(i=1; i<=n; ++i)
{
j = i;
j++;
}
第一行new了一个数组出来，这个数据占用的大小为n(n个元素)，这段代码的2-6行，虽然有循环，但没有再分配新的空间，因此，这段代码的空间复杂度主要看第一行即可，即 S(n) = O(n)
数组排序算法的复杂性
