BFS（广度优先搜索）算法在未连接且无向图中的运行时间复杂度为O(V+E)，其中V为图中顶点的数量，E为图中边的数量。

下面是一个使用Python实现BFS算法的示例代码：

from collections import deque

def bfs(graph, start):
    visited = set()     # 用于存储已访问的节点
    queue = deque()     # 用于广度优先搜索的队列
    queue.append(start)
    visited.add(start)
    
    while queue:
        node = queue.popleft()   # 取出队列中的首个节点
        print(node, end=' ')
        
        neighbors = graph[node]   # 获取当前节点的邻居节点
        
        for neighbor in neighbors:
            if neighbor not in visited:
                queue.append(neighbor)   # 将未访问的邻居节点加入队列
                visited.add(neighbor)    # 将邻居节点标记为已访问

# 创建一个未连接且无向图的邻接表表示
graph = {
    'A': ['B', 'C'],
    'B': ['A', 'D', 'E'],
    'C': ['A', 'F'],
    'D': ['B'],
    'E': ['B', 'F'],
    'F': ['C', 'E']
}

# 从顶点A开始进行广度优先搜索
bfs(graph, 'A')

以上代码中，我们使用了一个集合（visited）来记录已访问的节点，一个双端队列（queue）来实现广度优先搜索。通过在队列中不断添加未访问的邻居节点，并在每次循环时取出队列中的首个节点进行访问，即可实现BFS算法。

由于每个节点最多被访问一次，而每个边也最多被访问一次，所以BFS算法的时间复杂度为O(V+E)。