核心思路：先明确基准值
首先要建立一个基础认知：普通计算机在 1 秒内，大约能执行1 亿（10^8）次基本运算（比如加减乘除、变量赋值、条件判断等）。这个数值是经验值，不同评测机可能略有浮动（比如 8 千万～1.2 亿），但用 10^8 作为估算标准足够实用。
基于这个基准，我们可以根据输入规模n，反推允许的时间复杂度：
| 时间复杂度 | 1 秒内可处理的最大 n 值 | 适用场景 |
|---|---|---|
| O(1) | 无上限 | 无论 n 多大都只算一次 |
| O(log n) | 10^18 级别 | 二分查找、快速幂等 |
| O(n) | 10^8 级别 | 单层循环遍历 |
| O(n log n) | 10^7 ~ 10^8 级别 | 快速排序、归并排序、堆排序 |
| O(n²) | 10^4 级别（1 万） | 双层循环（如简单动态规划、暴力枚举） |
| O(n³) | 10^3 级别（1 千） | 三层循环（如小规模矩阵乘法） |
| O(2ⁿ) | 20 ~ 25 级别 | 暴力递归（n 超过 25 必超时） |
| O(n!) | 10 ~ 12 级别 | 全排列暴力枚举（n 超过 12 必超时） |
具体推导步骤
确定时间限制和基准运算次数比如题目给的是：
- 时间限制
T = 1秒→ 基准运算次数N = 10^8 - 时间限制
T = 2秒→ 基准运算次数N = 2*10^8 - 时间限制
T = 0.5秒→ 基准运算次数N = 5*10^7
- 时间限制
结合输入规模 n，计算允许的复杂度举几个实际例子，帮你理解：
- 例 1：输入 n=1e5（10 万），时间限制 1 秒计算：1e8 / 1e5 = 1000 → 说明可以接受 O (n)（1e5 次运算）、O (n log n)（1e5 * 20 ≈ 2e6 次运算），但绝对不能用 O (n²)（1e10 次运算，远超 1e8）。
- 例 2：输入 n=1e4（1 万），时间限制 1 秒计算：1e8 / 1e4 = 1e4 → O (n²)（1e8 次运算）刚好卡着时间过，O (n³)（1e12 次）则超时。
- 例 3：输入 n=20，时间限制 1 秒O (2ⁿ)（2^20 ≈ 1e6 次）完全没问题，n=30 则 2^30≈1e9 次，超过 1e8，必超时。
实际编程中的小技巧
- 不要卡着复杂度上限写：评测机的运算效率、代码中的冗余操作（比如多次重复计算）都会消耗时间，建议留 20%~30% 的余量。比如 1 秒限制下，按 8e7 次运算估算。
- 区分 “基本运算”：比如一次
a += 1是 1 次基本运算，一次sort(arr)（底层是 O (n log n)）要算成 n log n 次基本运算。
总结
- 核心基准：1 秒 ≈ 1 亿次基本运算，以此为基础按时间限制缩放。
- 推导逻辑：用 “总允许运算次数 ÷ 输入规模 n”，判断能接受的复杂度（重点对比 O (n)、O (n log n)、O (n²)）。
- 实战原则：留余量，避免卡着复杂度上限写代码，优先选更低复杂度的算法。
)
