test-repo/docs/zh-cn/appendix/1-computer-fundamentals/algorithm-thinking.md

算法思维入门

::: tip 🎯 核心问题 如何高效地解决问题？ 你可能遇到过这样的困惑：同一个问题，有人写的代码跑几秒就出结果，有人写的跑几分钟还在转。差别往往在于算法。本章带你理解算法的核心思维方式。 :::

---

0. 全景图：算法是什么？

想象你要在一本字典里找一个单词：

• 方法一：从第一页开始，一页一页翻（线性查找）
• 方法二：根据首字母定位，再二分查找（二分查找）

两种方法都能找到，但效率天差地别。算法就是解决问题的方法。

算法的核心指标：

指标	含义	为什么重要
时间复杂度	运行时间随数据量增长的趋势	预测大规模数据的性能
空间复杂度	内存占用随数据量增长的趋势	评估内存消耗
正确性	是否总能得到正确结果	算法的基本要求

::: tip 📊 逐行解读这张表 时间复杂度：用大 O 表示法描述。O(n) 表示数据量翻倍，时间翻倍；O(n²) 表示数据量翻倍，时间变成 4 倍。

空间复杂度：同样用大 O 表示法。有些算法用空间换时间（如哈希表），有些用时间换空间（如压缩算法）。

正确性：算法必须对所有可能的输入都能给出正确结果。边界条件（空输入、极大输入）最容易出错。 :::

---

1. 二分查找：每次排除一半

1.1 二分查找的原理

::: tip 💡 二分查找如何工作？ 前提：数据必须有序

过程：

1. 找到中间元素
2. 如果中间元素等于目标，找到！
3. 如果目标小于中间元素，在左半部分继续
4. 如果目标大于中间元素，在右半部分继续
5. 每次排除一半，直到找到或确定不存在

时间复杂度：O(log n)

生活类比：猜数字游戏。我想一个 1-100 的数，你每次猜中间，我告诉你大了还是小了。最多猜 7 次就能猜中（因为 2⁷ = 128 > 100）。 :::

1.2 为什么二分查找这么快？

数据量	线性查找	二分查找
100	100 次	7 次
1,000	1,000 次	10 次
1,000,000	1,000,000 次	20 次
1,000,000,000	1,000,000,000 次	30 次

::: tip 💡 对数增长的威力 二分查找的时间复杂度是 O(log n)，这意味着：

• 10 亿数据，最多查找 30 次
• 1 万亿数据，最多查找 40 次

这就是对数增长的威力——数据量增加 1000 倍，查找次数只增加 10 次。 :::

---

2. 排序：将无序变有序

2.1 常见排序算法

算法	时间复杂度	特点	适用场景
冒泡排序	O(n²)	简单但慢	教学、小数据量
选择排序	O(n²)	简单但慢	小数据量
插入排序	O(n²)	对近乎有序的数据快	小数据、近乎有序
快速排序	O(n log n)	实际最快	通用排序
归并排序	O(n log n)	稳定排序	需要稳定性的场景
堆排序	O(n log n)	原地排序	内存受限场景

2.2 为什么快速排序"快"？

::: tip 💡 快速排序的原理 核心思想：分治法

1. 选一个"基准"元素
2. 把比基准小的放左边，比基准大的放右边
3. 对左右两部分递归排序
4. 合并结果

为什么快？

• 每次划分后，基准元素就到了最终位置
• 平均情况下，每次划分大约排除一半元素
• 时间复杂度 O(n log n)

生活类比：整理书架。先抽出一本书，把比它薄的放左边，比它厚的放右边。然后对左右两堆分别重复这个过程。 :::

---

3. 递归：自己调用自己

3.1 递归的本质

::: tip 💡 什么是递归？ 递归是函数调用自身的编程技巧。

两个关键要素：

1. 基本情况：什么时候停止递归？
2. 递归步骤：如何把问题分解成更小的子问题？

经典例子：阶乘

function factorial(n) {
  if (n <= 1) return 1        // 基本情况
  return n * factorial(n - 1) // 递归步骤
}

生活类比：俄罗斯套娃。打开一个娃娃，里面是更小的娃娃，直到最小的那个打不开为止。 :::

3.2 递归 vs 迭代

特性	递归	迭代（循环）
代码简洁度	通常更简洁	可能更复杂
内存消耗	较高（调用栈）	较低
性能	稍慢（函数调用开销）	更快
适用场景	树遍历、分治算法	简单重复任务

::: warning ⚠️ 递归的陷阱 栈溢出：递归层次太深，调用栈空间耗尽。

解决方法：

• 改用迭代
• 使用尾递归优化（某些语言支持）
• 限制递归深度 :::

---

4. 贪心算法：每步选最优

4.1 贪心的思想

::: tip 💡 什么是贪心算法？ 贪心算法在每一步都选择当前看起来最优的选择，希望最终得到全局最优解。

适用条件：

1. 贪心选择性质：局部最优能导致全局最优
2. 最优子结构：问题的最优解包含子问题的最优解

经典例子：硬币找零

• 目标：用最少的硬币凑出指定金额
• 贪心策略：每次选最大的硬币
• 结果：67 元 = 50 + 10 + 5 + 1 + 1（5 枚）

生活类比：登山时，每次都选最陡的路往上走。虽然不一定能到最高峰，但通常能到不错的位置。 :::

4.2 贪心的局限性

::: warning ⚠️ 贪心不一定得到最优解 反例：硬币找零

如果硬币面值是 [1, 3, 4]，要凑 6 元：

• 贪心：4 + 1 + 1 = 3 枚
• 最优：3 + 3 = 2 枚

贪心算法在这里失败了！

教训：贪心算法简单高效，但不总是能得到最优解。使用前要证明问题满足贪心条件。 :::

---

5. 算法设计范式

范式	思想	典型算法	适用问题
分治	把问题分解成小问题	快速排序、归并排序	可分解的问题
贪心	每步选最优	最小生成树、霍夫曼编码	有贪心性质的问题
动态规划	记录子问题的解	背包问题、最短路径	有重叠子问题
回溯	试错，走不通就回退	八皇后、全排列	搜索问题

---

6. 总结：算法是解决问题的艺术

让我们用一个比喻总结各种算法思想：

思想	比喻	核心要点
二分查找	猜数字	每次排除一半
排序	整理书架	建立秩序
递归	俄罗斯套娃	化大为小
贪心	登山选路	局部最优

::: tip 💡 核心启示 算法的本质是"效率"和"正确性"的平衡。

• 好的算法能让程序效率提升几个数量级
• 但过度优化可能引入复杂性
• 先保证正确，再追求效率

理解算法思维，比记住具体算法更重要：

• 分治：把大问题分解成小问题
• 贪心：每步选最优
• 动态规划：记录子问题的解
• 回溯：试错，走不通就回退 :::

---

延伸阅读

• 算法导论：系统学习算法的经典教材
• LeetCode：通过刷题提升算法能力
• 算法可视化：直观理解算法执行过程
• 竞赛算法：学习更高级的算法技巧