计算时间复杂度是评估算法执行时间随输入规模增长的增长率。通常通过分析算法中的循环、递归等操作来确定。可以使用大O符号表示，表示算法的最坏情况下的时间复杂度。计算时间复杂度时，需要考虑算法中每个操作的执行次数，并将其表示为输入规模的函数。然后，找到函数中的最高次项，忽略低次项和常数系数，得到时间复杂度。
确定基本操作 ：从算法中选取一种对于所研究的问题来说是基本操作的原操作，以该基本操作重复执行的次数作为算法的时间量度。计算操作次数：
分析算法中每个语句的执行次数，并将其表示为输入规模n的函数f（n）。
简化表达式
用常数1取代运行时间中的所有加法常数。
在修改后的运行次数函数中，只保留最高阶项。
如果最高阶项存在且不是1，则去除与这个项相乘的常数。
表示时间复杂度：
将简化后的最高阶项用大O符号表示，即T（n）=O（f（n）），这称为算法的渐进时间复杂度。
示例
常数阶
```c
int sum = 0, n = 100；
sum = （1 + n） * n / 2；
```
时间复杂度为O（1），因为只有一个加法操作，与n无关。
线性阶
```c
for （int i = 1； i <= 100； i++） {
sum = sum + i；
}
```
时间复杂度为O（n），因为循环执行了100次，每次执行一次加法操作。
平方阶
```c
for （int i = 1； i <= 100； i++） {
for （int j = 1； j <= i - 1； j++） {
sum = sum + i；
}
}
```
时间复杂度为O（n^2），因为内层循环执行了（n-1）次，外层循环执行了100次，总的执行次数是100*（n-1）。
常见时间复杂度
O（1）：
常数时间复杂度，如简单的加法、赋值等操作。
O（log n）：对数时间复杂度，常见于分治算法中递归的深度。
O（n）：线性时间复杂度，操作次数与输入规模n成正比。
O（n log n）：常见于归并排序、快速排序等排序算法。
O（n^2）：平方时间复杂度，常见于简单排序算法如冒泡排序、插入排序等。
O（n^3）：立方时间复杂度，常见于某些递归算法。
O（2^n）：指数时间复杂度，常见于递归算法中未优化的情况。
O（n!）：阶乘时间复杂度，常见于某些递归算法，如旅行商问题。
通过以上步骤和示例，可以更好地理解和计算算法的时间复杂度。