如何衡量算法的复杂度？有哪些衡量角度、采用何种表示方式？

算法的复杂度可以从时间复杂度和空间复杂度两个方面进行衡量。

时间复杂度是指算法在执行过程中所需要的时间资源，通常以“大O符号”表示，表示最坏情况下算法的时间复杂度。

空间复杂度是指算法在执行过程中所需要的内存资源，也通常以“大O符号”表示，表示最坏情况下算法的空间复杂度。

常见的时间复杂度从小到大排序为：O(1)、O(log n)、O(n)、O(nlog n)、O(n^2)、O(n^3)、O(2^n)、O(n!)。其中，O(1)表示算法的执行时间与问题规模无关；O(log n)表示算法的执行时间与问题规模的对数成正比；O(n)表示算法的执行时间与问题规模成正比；O(n^2)表示算法的执行时间与问题规模的平方成正比；O(2^n)表示算法的执行时间呈指数级增长。

常见的空间复杂度从小到大排序为：O(1)、O(log n)、O(n)、O(nlog n)、O(n^2)、O(n^3)、O(2^n)、O(n!)。其中，O(1)表示算法所需要的额外空间与问题规模无关；O(log n)表示算法所需要的额外空间与问题规模的对数成正比；O(n)表示算法所需要的额外空间与问题规模成正比。

通常，算法的复杂度可以用时间和空间复杂度的组合来表示。例如，O(n)的时间复杂度和O(1)的空间复杂度可以表示为O(n)；O(n^2)的时间复杂度和O(n)的空间复杂度可以表示为O(n^2)。