计算机公式的复杂度通常通过大O表示法来计算，它描述了算法运行时间或所需空间与输入规模之间的关系。以下是计算复杂度的一些关键步骤和技巧：
时间复杂度
定义：时间复杂度表示算法运行所需时间与输入规模之间的关系，通常用大O表示法表示，即T（n）=O（f（n）），其中T（n）表示算法运行的时间复杂度，f（n）表示输入规模n的函数。
常见的时间复杂度分类：
O（1）：算法的运行时间与输入规模无关。
O（logn）：算法的运行时间与输入规模的对数成正比。
O（n）：算法的运行时间与输入规模成正比。
O（nlogn）：算法的运行时间与输入规模的对数乘以线性成正比。
O（n^2）：算法的运行时间与输入规模的平方成正比。
O（n^3）：算法的运行时间与输入规模的立方成正比。
O（2^n）：算法的运行时间与输入规模的指数成正比。
O（n!）：算法的运行时间与输入规模的阶乘成正比。
空间复杂度
定义：空间复杂度表示算法在处理规模为n的问题时所需的额外空间。
表示方法：与时间复杂度类似，空间复杂度也通常用大O表示法表示，即S（n）=O（f（n））。
复杂度计算技巧
最高次项法则：在多项式式子中，保留最高项，忽略其他项和常数。
加法法则：将算法整体运行时间分为若干个部分，在加和计算中，忽略低阶项和常数。
示例
计算一个简单循环的时间复杂度
```python
def calc（n）:
sum_ = 0
for i in range（1, n+1）:
sum_ = sum_ + i
return sum_
```
执行时间T（n） = 1 + 2 + ... + n = n（n+1）/2，所以时间复杂度为O（n^2）。
计算一个嵌套循环的时间复杂度
```python
def calc（n）:
sum_ = 0
for i in range（n）:
for j in range（n）:
sum_ = sum_ + i * j
return sum_
```
执行时间T（n） = n * n * n = n^3，所以时间复杂度为O（n^3）。
结论
通过以上步骤和技巧，可以有效地计算计算机公式的复杂度。理解不同时间复杂度分类及其对应的算法特征，有助于选择合适的算法来解决特定问题。