计算程序的时间复杂度通常遵循以下步骤：
确定输入规模：
明确程序中输入数据的大小，通常用变量n表示。
找出执行次数最多的语句：
分析程序中每一条语句的执行次数，找出执行次数最多的语句。
计算执行次数的数量级：
对于简单的循环或顺序语句，执行次数可能与输入规模n成正比、平方、立方等。对于复杂的条件判断语句，需要找出其中时间复杂度最大的路径。
用大O表示结果：
将执行次数的数量级用大O符号表示，即O（f（n）），其中f（n）是关于n的某个函数。
示例
单层循环
```c
for （int i = 0； i < n； i++） {
// 循环体
}
```
循环体执行n次，因此时间复杂度为O（n）。
嵌套循环
```c
for （int i = 0； i < n； i++） {
for （int j = 0； j < n； j++） {
// 循环体
}
}
```
外层循环执行n次，内层循环也执行n次，因此总的时间复杂度为O（n * n） = O（n^2）。
包含条件判断的语句
```c
if （condition） {
// 语句1
} else {
// 语句2
}
```
总的时间复杂度取决于其中时间复杂度最大的路径，假设语句1的时间复杂度为O（n），语句2的时间复杂度为O（1），则总的时间复杂度为O（n）。
常用时间复杂度
O（1）：常数时间复杂度，无论输入规模如何，程序执行时间都是固定的。
O（log n）：对数时间复杂度，执行时间与输入规模的对数成正比。
O（n）：线性时间复杂度，执行时间与输入规模成正比。
O（n log n）：线性对数时间复杂度，常见于某些高效的排序算法。
O（n^2）：平方时间复杂度，常见于简单的双层循环。
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，执行时间随输入规模的增长呈指数增加。
O（n!）：阶乘时间复杂度，执行时间随输入规模的增长呈阶乘增加。
注意事项
在计算时间复杂度时，通常只考虑对运行时间贡献最大的语句，忽略运行次数少的语句。
对于复杂的情况，可以通过数学归纳法或逐步推导来找出执行次数的数量级。
通过以上步骤和技巧，可以有效地计算出程序的时间复杂度，从而评估算法的效率。
