常见的时间复杂度量级有：常数阶O(1)，对数阶O(logn)，线性阶O(n)，线性对数阶O(nlogn)，平方阶O(n2)，立方阶O(n3)，K次方阶O(nk)，指数阶O(2n)。他们的时间复杂度越来越大，执行的效率越来越低。
下面选取一些较为常用的来讲解一下。
常数阶O(1)
for(int i = 1; i <= 100; i++)
sum += i;
代码执行次数是一个常数，不随n的变化而变化，那这个代码的时间复杂度就都是O(1)，如下的代码中虽然含有for循环，但循环次数是100次，不随问题规模变化而变化，因此是常数级O(1)的时间复杂度：
线性阶O(n)
for(int i = 1; i <= n; i++)
sum += i;
这段代码，for循环里面的代码会执行n遍，因此它消耗的时间是随着n的变化而变化的，因此这类代码都可以用O(n)来表示它的时间复杂度。
对数阶O(logn)
同样是for循环，但这段代码的时间复杂度是O(logn)，因此不能单纯认为for循环就一定是O(n)的。
for(int i = 1; i <= n; i *= 2)cnt++;
在这个for循环里，i 开始是1，然后不是自增1，而是自乘2，因此i的值依次是1、2、4、8......2x ，也就是当2的x次方大于n时，跳出循环，因此x =ogn， 程序执行了logn次，时间复杂度为：O(logn)
线性对数阶O(nlogn)
线性对数阶O(nlogn) 其实非常容易理解，将时间复杂度为O(logn) 的代码循环n遍的话，那么它的时间复杂度就是 n×O(logn)。
就拿上面的代码加一点修改来举例：
for(int i = 1; i <= n; i++)
for(int j = 1; j <= n; j *= 2)
cnt++;
平方阶O(n2)
平方阶O(n2)就更容易理解了，如果把O(n)的代码再嵌套循环一遍，它的时间复杂度就是O(n2) 了。
for(int i = 1; i <= n; i++)
for(int j = 1; j <= n; j++)
cnt++;
其实冒泡排序的时间复杂度也是O(n^2^)，以下代码中，当i=1时，执行n-1次，i=2时，执行n-2次......因此总的执行次数也就是 (n-1)+(n-2)...+2+1就是n*(n-1)/2，显然n2的量级更大，因此常数项和n/2可以忽略，时间复杂度即为O(n2)：
for(int i =1; i<=n; i++)
for(int j=1; j<=n-i; j++)
if(a[j] > a[j+1])
swap(a[j], a[j+1]);
阶乘 O(n!)
比如用枚举的方法求1~n的全排列，时间复杂度是 O(n!)，效率很低。 