Big-O
O(1) - Constant Time
常數時間複雜度，無論輸入的規模多大，執 行時間都是固定的。
O(n) - Linear Time
線性時間複雜度，執行時間與輸入的規模成正比。
O(n^2) - Quadratic Time
平方時間複雜度，當輸入規模增長，執行時間呈平方成長。
舉例來說，假設一個演算法的時間複雜度是 O(n^2)，當 n = 3 時，執行時間可能是 3^2 = 9 單位時間。當 n = 4 時，執行時間可能是 4^2 = 16 單位時間。
O(log n) - Logarithmic Time
對數時間複雜度，當輸入規模增長，執行時間呈對數成長。
舉例來說，假設一個演算法的時間複雜度是 O(log n)，當 n = 8 時，執行時間可能是 3 個單位時間。當 n = 16 時，執行時間可能是 4 個單位時間。雖然 n 增加了一倍，但執行時間只增加了一個單位時間。
O(n log n) - Linearithmic Time
線性對數時間複雜度，當輸入規模增長，執行時間以 n 乘以 log n 的速率增長。
舉例來說，假設一個演算法的時間複雜度是 O(n log n)，當 n = 8 時，執行時間可能是 ``8 * log₂(8) = 24 單位時間。當 n = 16 時，執行時間可能是 16 * log₂(16) = 64 單位時間。儘管 n 增加了一倍，但執行時間增長了更多，以 n 乘以 log n 的速率增長。
O(2^n) - Exponential Time
指數時間複雜度，當輸入規模增長，執行時間呈指數成長。
舉例來說，當 n = 3 時，執行時間可能是 2^3 = 8 單位時間。當 n = 4 時，執行時間可能是 2^4 = 16 單位時間。
O(n!) - Factorial Time
時間複雜度表示隨著輸入規模 n 的增加，執行時間以階乘方式增長。
舉例來說，當 n = 3 時，執行時間可能是 3! = 6 單位時間。當 n = 4 時，執行時間可能是 4! = 24 單位時間。