我们是如何判断一个算法的好坏的？
——柒氿，(也许别人也说过)
想象这么一个简单的问题，有两个数我们对它们进行排序，很容易想到一眼盯真的方法是：把最大的放后面，最小的放前面。鉴定为：好方法。
但是对于更大的数据它适用吗？
想象3个数字时，我们似乎依旧可以用一眼盯真法：最大的放最后，最小的放最前，中间那个自然是符合条件的。我们这样描述我们自创的简单排序算法：扫描一次，把最大和最小的复制出来，放在数组两头，然后下次找比它们次小次大的，再扫描一次，放到数组内部的两头……直到最后得到一个排序好的。
我们注意到结束以后我们手上不仅有一个排序好的，那个混乱的数列我们也有。也就是说为了解决这个问题，我们不得不额外付出n（n是数据量）个空间，这是为了解决问题的代价。我们称之为空间复杂度：
有空间复杂度自然也有时间复杂度，相信大家对它都有一定的了解，那么我们来算算刚刚那个方法的时间复杂度是多少吧。
对于n个数据，我们要扫描n/2次，要进行n次拷贝，那么很显然答案就是1.5n次。不得了，简简单单突破n的平方。
遗憾的是上面的计算方法是错误的，因为我们在实际中做不到一眼盯真，厉害点的20个数据也许都能做到瞧一眼看出最大，但就算把礼堂那位叫来也做不到200万个数据一眼瞧出来。
上述算法的时间复杂度很大很大，粗略估计一下：每次扫描，那个也许是最小的要与剩下所有都比较，（很显然这是“选择排序”的某种复杂的描述，不知道读者是否看出来了），差不多n(n-1)，n会随着排序而缩小，但是最终均摊下拉，时间复杂度是n方。
需要指出的是，多次项我们只保留指数最大的那一项，所以1.5n就省略了。这里给出书上定义：
我们使用空间复杂度与时间复杂度来描述一个算法的好坏——而在现实生活中，由于我们都是急急国王，而且内存往往足够大，所以我们更想要时间复杂度尽可能的低，哪怕为此付出一些空间作为代价。
