一般会在题目中给出，常见的限制有 1/2/5/20 秒(s)，有的时候也会用毫秒(ms)的形式给出。我们一般会粗略估算计算机一秒钟可以执行 108 级别左右的基础运算（加减乘除等）。
假设一道题目时间限制为 1 秒，现在有两个算法都能实现这道题，根据题目输入的 n 的不同：
- 算法 1 要进行 n2 次运算
- 算法 2 要进行 10×n 次运算
那么显然，当 n≤5000 时，两个算法都绰绰有余，而当 n≤106 时，第一个算法就没法在时间限制内得到答案，评测结果就会是超出时间限制。
我们一般用时间复杂度这个概念来描述一个算法的耗时，这个概念详细定义比较复杂，可以简单理解为时间复杂度就是基础运算的规模，更准确的定义可以参照下面的扩展阅读部分。
表示时间复杂度的渐进符号有多种：大 Θ、大 Ω、小 ω、大 O、小 o 等等，各自有不同的定义，详见：OI-Wiki::复杂度。
因为大写字母 O 比较容易打字和书写，所以经常会杂糅这些概念，用大 O 符号来描述算法的时间复杂度上限，所有我的文档都会使用大 O 符号描述，只保留多项式的最高次项，并省略系数。
比如上述的算法 1 与算法 2，我们通常会用 O(n2) 与 O(n) 来描述。
再比如对于下述代码：
cin >> n;
for(int i = 1; i <= n; i++)
cin >> a[i];
sum = 0;
for(int i = 1; i <= n; i++)
for(int j = i; j <= n; j++)
sum += a[i] * a[j];
cout << sum;
cin >> a[i]; 执行了 n 次，sum += a[i] * a[j]; 执行了 n+(n−1)+⋯+1=2n×(n−1)，总的基础运算次数大概是 21n2+21n 次，只保留最高次项并省略常数后就是 O(n2)。
有的时候某个算法在不同情况下时间复杂度不同，比如最坏情况下快速排序算法时间复杂度会很高，因此为了更准确的描述，我们会说快速排序算法的时间复杂度为：最坏情况下 O(n2)，随机数据的一般情况下 O(nlogn)。
logn 表示对数，之所以不写底数，是因为我们可以轻松通过换根公式，加一个系数后把底数进行改变，所以 log10n、log2n、lnn 都可以视作 log2n，写作 logn。
对数知识是数学中的难点，下面直接给出常见的 n 对应的 log2n，也可以直接通过 <cmath> 库中的 log2() 函数得到。
| n |
log2 |
| 1000 |
≈10 |
| 5000 |
≈12 |
| 104 |
≈13 |
| 106 |
≈20 |
| 107 |
≈23 |
sort：O(nlogn)lower_bound/upper_bound/binary_search：O(logn)priority_queue：.push() O(logn)，.pop() O(logn)，.top()O(1)- 判断 n 是否为质数
- 从 2∼n−1 试除：O(n)
- 从 2∼n 试除：O(n)
- 埃氏筛法：初始化 O(nloglogn)，初始化后每次查询 O(1)
- 欧拉筛法/线性筛法：初始化 O(n)，初始化后每次查询 O(1)
- 搜索枚举 n 个数的子集：O(2n)
- 搜索枚举 n 的排列：O(n!)
| 时间复杂度 |
1 秒时限下能处理的数据规模 |
| O(1) |
∞ |
| O(n) |
107（注意输入输出的耗时） |
| O(n2) |
5000 |
| O(n3) |
200 |
| O(2n) |
20 |
| O(n!) |
11 |
| O(n) |
1015（注意使用合适的数据类型） |
| O(nlogn) |
2\times 10^ |
以上描述的都是常见的保险的数据范围，有时也可以通过题目的部分分数据范围反向推测可能用到的算法。