时间复杂度 

（1）时间频度 

一个算法执行所耗费的时间，从理论上是不能算出来的，必须上机运行测试才能知道。但我们不可能也没有必要对每个算法都上机测试，只需知道哪个算法花费的时间多，哪个算法花费的时间少就可以了。并且一个算法花费的时间与算法中语句的执行次数成正比例，哪个算法中语句执行次数多，它花费时间就多。一个算法中的语句执行次数称为语句频度或时间频度。记为T(n)。 

（2）时间复杂度 

在刚才提到的时间频度中，n称为问题的规模，当n不断变化时，时间频度T(n)也会不断变化。但有时我们想知道它变化时呈现什么规律。为此，我们引入时间复杂度概念。 

一般情况下，算法中基本操作重复执行的次数是问题规模n的某个函数，用T(n)表示，若有某个辅助函数f(n),使得当n趋近于无穷大时，T（n)/f(n)的极限值为不等于零的常数，则称f(n)是T(n)的同数量级函数。记作T(n)=O(f(n)),称O(f(n)) 为算法的渐进时间复杂度，简称时间复杂度。 

在各种不同算法中，若算法中语句执行次数为一个常数，则时间复杂度为O(1),另外，在时间频度不相同时，时间复杂度有可能相同，如T(n)=n^2+3n+4与T(n)=4n^2+2n+1它们的频度不同，但时间复杂度相同，都为O(n^2)。 

按数量级递增排列，常见的时间复杂度有： 

常数阶O(1),对数阶O(log2n),线性阶O(n), 

线性对数阶O(nlog2n),平方阶O(n^2)，立方阶O(n^3),...， 

k次方阶O(n^k),指数阶O(2^n)。随着问题规模n的不断增大，上述时间复杂度不断增大，算法的执行效率越低。


因此，我们可以计算出该程序所执行sum++的频度为：
          (N^3+3N^2+2N)/6
所以根据复杂度的定义可知该程序的复杂度为：
           O(N^3)

O(n+i*i+j)

似乎是这样的

如果只有第一个for那么就释0（n）
有前面两个for那就是1＋2^2+……+n^2=n*(n+1)(2n+1)/6 算是O（1/3n^3）
三个for就是1+2+……+n*(n+1)(2n+1)/6   算是O（1/18n^6）
如果不算前面系数的话就是n^6

[quote]O(n+i*i+j)[/quote]
这样是不对的，因为那三个for循环是嵌套的，如果并列的那么你的答案是对的。