時間複雜度：在計算機科學中算法的時間複雜度是一個函數，它定性的描述該算法的運行時間，但並不是表示一個程序解決問題需要花多少時間。而是說當問題規模擴大後，程序需要的時間增長得有多快。
也就是說，對於高速處理數據的計算機來說，處理某一個特定數據的效率不能衡量一個程序的好壞，而應該看當這個數據的規模變大到數百倍後，程序運行時間是否還是這樣，或者也跟著慢了數百倍，或者變慢了數萬倍。不管數據有多大，程序處理花的時間始終是那麼多的，我們就說這個程序很好，具有 O (1) 的時間複雜度，也稱常數級複雜度；數據規模變得有多大，花的時間也跟著變得有多長，這個程序的時間複雜度就是 O (n)，比如找 n 個數中的最大值；而像冒泡排序、插入排序等，數據擴大 2 倍，時間變慢 4 倍的，屬於 O (n^2) 的複雜度。還有一些窮舉類的算法，所需時間長度成幾何階數上漲，這就是 O (a^n) 的指數級複雜度，甚至 O (n!) 的階乘級複雜度。
不會存在 O (2n^2) 的複雜度，因為前面的那個 “2” 是係數，根本不會影響到整個程序的時間增長。同樣地，O (n^3+n^2) 的複雜度也就是 O (n^3) 的複雜度。因此，我們會說，一個 O (0.01n^3) 的程序的效率比 O (100*n^2) 的效率低，儘管在 n 很小的時候，前者優於後者，但後者時間隨數據規模增長得慢，最終 O (n^3) 的複雜度將遠遠超過 O (n^2)。我們也說，O (n^{100}) 的複雜度小於 O (1.01^n) 的複雜度。
前面的幾類複雜度被分為兩種級別，其中後者的複雜度無論如何都遠遠大於前者：一種是 O (1),O (log (n)),O (n^a) 等，我們把它叫做多項式級的複雜度，因為它的規模 n 出現在底數的位置；另一種是 O (a^n) 和 O (n!) 型複雜度，它是非多項式級的，其複雜度計算機往往不能承受。當我們在解決一個問題時，我們選擇的算法通常都需要是多項式級的複雜度，非多項式級的複雜度需要的時間太多，往往會超時，除非是數據規模非常小。