算法通俗的来说就是解决一些问题方法和步骤，那么衡量算法的标准有如下：
1.时间复杂度
时间复杂度也就是通常所说的算法执行所需要耗费的时间，时间越短，算法越好，当然也有解释是程序要执行的次数，而不是程序执行的时间，因为有些机器性能高，程序执行的速度快，二有些机器性能一般执行就慢，所以这里就不能用时间来衡量一个算法的好坏。一个算法执行的时间往往无法精确估计，通常需要在实际的计算机中运行才能够知道。但是，我们也可以对算法代码进行估计，而得到算法的时间复杂度。首先，算法代码执行的时间往往和算法代码中语句执行的数量有关。由于每条语句执行都是需要时间的，语句执行的次数越多，整个程序所耗费的时间就越长。因北，筒短、精悍的算法程序往往执行速度快。另外，算法的时间复杂度还与问题的规模有关。
所以评估时间复杂度的算法分析有两种：
1）事后分析评估法
就是去执行要评估的算法代码，在代码运行的开始记下时间，然后等程序运行结束后在记下时间，这个一前一后的时间差就是该算法代码运行的总时间。
事后分析评估法有很大缺点：必须将代码运行一遍之后才知道算法的结果，如果一个算法比较复杂，执行时间长，等运行完之后才发现是一个糟糕的算法，会消耗大量的精力和时间，并且不同的运行环境差吧也是导致测试的结果差异很大。
2）事前分析评估法
在编写要测试的代码之前，根据数据统计方法对算法进行评估。我们发现编写的代码运行所消耗的时间有以下几个因素：
（1）算法采用的策略和方案（人为掌控）。
（2）机器执行指令的速度（人为不可控）。
（3）问题输入的规模（人为不可控）。
（4）编译器是否有对代码进行的优化质量（人为不可控）。
2.空间复杂度
空间复杂度指的是算法程序在计算机中执行所需要消耗的存储空间。空间复杂度其实可以分为如下两个方面程序保存所需要的存储空间，也就是程序的大小。程序在执行过程中所需要消耗的存储空间资源，例如程字在执行过程中的中可变量等。般来说，程序的大小越小，执行过程中消耗的资源越少，这个程序越好。在算法分析中，空间复杂度有更为详细的度量。
下图标识了几种常用算法的复杂度：
下面表格是常见排序算法的算法复杂度
算法 | 最快时间复杂度 | 平均时间复杂度 | 最坏时间复杂度 | 空间复杂度 | 是否稳定 |
冒泡排序 | Ω(n) | Θ(n2) | O(n2) | O(1) | 稳定 |
插入排序 | Ω(n) | Θ(n2) | O(n2) | O(1) | 稳定 |
希尔排序 | Ω(nlogn) | Θ(n(log(n))2) | O(n(log(n))2) | O(1) | 不稳定 |
选择排序 | Ω(n2) | Θ(n2) | O(n2) | O(1) | 不稳定 |
堆排序 | Ω(nlogn) | Θ(nlogn) | O(nlogn) | O(1) | 不稳定 |
归并排序 | Ω(nlogn) | Θ(nlogn) | O(nlogn) | O(n) | 稳定 |
快速排序 | Ω(nlogn) | Θ(nlogn) | O(n2) | O(logn) | 不稳定 |
基数排序 | Ω(n+b) | Θ(n+b) | O(n+b) | O(n+k) | 稳定 |
