Algorithm 队列大小增加的时间复杂性

在过去的半个小时左右，我搜索了谷歌和StackOverflow，虽然我找到了很多有趣的信息，但我还没有找到解决问题的方法。我认为这应该是相当简单的回答；我只是不知道怎么回答

我在一个程序中使用以下循环（显然，这是我算法的伪代码）：

在此循环中：

• Q是一个队列
• x是包含整数数组s的对象
• N是表示问题大小的整数
• y是与x相同类型对象的新实例
• Combine是一个返回与x相同类型的新对象的方法
  • Combine只包含For循环，因此它的最坏情况时间复杂度为O（N）

我的问题是我应该如何计算这个循环的时间复杂度。因为我可能会在每个循环的队列中添加N-1项，所以我假设这将增加复杂性，而不仅仅是普通循环中的简单O（N）

---

如果您需要更多信息来帮助我，请告诉我，我会在可能的情况下为您提供所需信息。

您需要问自己的问题是“总共可以向队列添加多少项目？”通常在像这样的广度优先搜索算法中，在单个循环迭代中添加的子项的潜在数量不是项目总数的可靠指标。一旦你建立了物品数量，你需要分析处理单个物品的成本（这里，成本是联合成本，你说是O（N））。在周末的大部分时间里，我都在碰壁，我找了几个其他人帮我看，我们最终决定你可以加N！将项目添加到队列中。上面我忘了提到的一个细节是整数数组s的长度为N。从一开始，这可能是一个很好的信息，但我没有想清楚。谢谢你的帮助！

while Q is not empty
    x = Q.dequeue()
    for(i = 1 to N)
        if x.s[i] = 0
            y = Combine(x, i)
            Q.add(G[y])