算法复杂度是用来衡量算法运行时间或空间消耗的度量标准。常见的计算方法是通过分析算法中基本操作的执行次数来估计其时间复杂度和空间复杂度。

时间复杂度是指算法执行所需时间随输入规模增长而变化的趋势。一般使用大O符号表示，如O(1)、O(n)、O(nlogn)等。常见的时间复杂度有：
- O(1)：常数时间复杂度，表示算法的执行时间是固定的。
- O(n)：线性时间复杂度，表示算法的执行时间与输入规模成正比。
- O(n^2)：平方时间复杂度，表示算法的执行时间与输入规模的平方成正比。
- O(logn)：对数时间复杂度，表示算法的执行时间与输入规模的对数成正比。
- O(2^n)：指数时间复杂度，表示算法的执行时间随着输入规模指数级增长。

空间复杂度是指算法在执行过程中所需的额外空间随着输入规模增长而变化的趋势，同样使用大O符号表示。常见的空间复杂度有：
- O(1)：常数空间复杂度，表示算法的空间消耗是固定的。
- O(n)：线性空间复杂度，表示算法的空间消耗与输入规模成正比。
- O(n^2)：平方空间复杂度，表示算法的空间消耗与输入规模的平方成正比。

计算算法复杂度时，可以通过分析算法中循环、递归和函数调用等操作的执行次数来推导时间复杂度；而对于空间复杂度，通常需要考虑算法使用的额外数据结构或变量所占用的空间。

需要注意的是，算法复杂度只是一种理论上的估计，实际运行时间和空间消耗还受到硬件环境、编程语言、编译器优化等因素的影响。