欢迎来到计算方法（Computational Methods）的世界！
你好！你有没有想过，软件工程师是如何解决那些庞大且复杂的问题？例如绘制全球地图以供 GPS 使用，或是创造一台能击败国际象棋冠军的电脑？他们并不会一坐下来就开始写程序，而是会先运用一套被称为计算方法（Computational Methods）的思维工具。
在本章中，你将学习如何以计算机科学家的角度去审视问题。我们将探索如何拆解大型任务、寻找能得出“足够好”答案的捷径，并在系统尚未构建前先建立模型。如果初次接触这些术语觉得有点深奥，请不用担心——我们将通过许多生活化的例子，一步一步为你拆解！
1. 什么问题是可计算的？
在我们使用计算机解决问题之前，必须先判断该问题是否适合通过计算方法处理（amenable to a computational approach）。简单来说，就是：计算机真的能处理这个问题吗？
适合由计算机解决的问题通常具备以下特征：
- 明确的输入与输出（Clear Inputs and Outputs）：我们能明确定义输入什么数据，以及预期得到什么样的输出。
- 定义明确的规则（Defined Rules）：问题遵循一套逻辑步骤（即算法）。
- 有限的时间（Finite Time）：计算机必须能在合理的时间内得出答案。
例子：计算两座城市之间的最短路径是可计算的问题；但要预测你十年后的晚餐想吃什么？这就太难了——因为存在太多不可预测的变量！
2. 核心“思维”方法
以下这三种技巧是解决问题的基石。你可能在“计算思维”章节中见过它们，但这里我们将从软件开发的实务层面来重新认识。
问题识别（Problem Recognition）
这指的是面对新问题时，问自己：“慢着，我以前见过类似的情况吗？”计算机非常擅长处理模式（patterns）。如果你能识别出新问题不过是旧问题的变体，你就可以直接套用现有的算法。
问题分解（Problem Decomposition）
这是一个将复杂问题拆解成较小、较易于处理的部分，即子问题（sub-problems）的过程。
比喻：如果你接到“举办音乐节”的任务，一定会感到手足无措。但如果你把它分解为“预订乐队”、“雇佣保安”和“售票”，任务就变得容易管理多了。
抽象化（Use of Abstraction）
抽象化是指去除不必要的细节，以便专注于重要部分的艺术。
比喻：伦敦地铁图就是一个完美的抽象化例子。它没有显示轨道的真实弯曲度或隧道的深度，只显示了车站和路线连接，因为这才是乘客真正需要知道的信息。
快速回顾：三大思维
识别：寻找规律。
分解：拆解问题。
抽象化：隐藏“多余”的细节。
3. 分治法（Divide and Conquer）
这是一种具体且强大的解题方法。其运作方式如下：
1. 分（Dividing）：将问题拆解为该问题的较小版本。
2. 解（Solving）：解决最小的版本（即“基本案例”或 base case）。
3. 合（Conquering）：将解决方案重新组合起来。
许多著名的算法，如合并排序（Merge Sort）或二分搜索（Binary Search），都使用了这种方法。比起试图一次性解决巨大的问题，这种方法通常要快得多。
4. 工程师的工具箱
有时，基本的逻辑还不够用。以下是你在 OCR 课程大纲中需要掌握的专业方法：
回溯法（Backtracking）
这是一种“试误”方法。你沿着一条路径尝试寻找答案；如果遇到死胡同，就回溯（backtrack）到上一个正确的节点，然后尝试另一条路径。
比喻：走出迷宫。如果你撞到墙，你不会在那里停滞不前，而是会回到上一个分岔路口，改走另一条路。
数据挖掘（Data Mining）
这涉及搜索海量数据（大数据）以找出人类难以察觉的隐藏模式（hidden patterns）或关联性。
你知道吗？超市通过挖掘会员卡数据发现，购买婴儿纸尿片的人经常同时购买啤酒，因此他们会将这两类商品放在货架的邻近位置！
启发式方法（Heuristics）
有时，寻找“完美”的答案需要太长时间。启发式方法是一种“经验法则”或“最佳猜测”，能快速找到一个足够好的解决方案。
例子：“A* 算法”使用启发式方法来规划电子游戏中的路径。它不会检查地图上的每一个原子，而是朝着目标的大致方向移动。
效能建模（Performance Modelling）
在构建大型系统（如全新的银行网络）之前，我们会建立数学模型来观察它在压力下的表现。这有助于在“正式版”建成之前就避免系统崩溃。
流水线技术（Pipelining）
这是一种通过在当前任务完成之前就启动下一个任务来提升效率的方法。
比喻：在汽车工厂里，工人不会等一辆车完全装配好才开始制作下一辆。当一辆车正在装车门时，下一辆车已经在安装引擎了。
关键重点：流水线是关于重叠（overlapping）任务以节省时间。
可视化（Visualisation）
这是将复杂数据转化为视觉格式（如图表或 3D 模型）的过程。这能让人类更容易发现趋势、异常值或错误，而这些在巨大的数值列表中是难以发现的。
5. 总结检查清单
在继续前进之前，请确保你能向朋友解释以下内容：
- 我能解释为什么问题可能（或不可能）被计算解决吗？（规则、输入、输出）。
- 我了解分解与抽象化的区别吗？（拆解 vs. 隐藏细节）。
- 我能解释“分治法”吗？（将任务切分为更小的相同子任务）。
- 我熟悉我的工具箱吗？（回溯法、数据挖掘、启发式方法、效能建模、流水线、可视化）。
常见错误提醒：不要将流水线（Pipelining）与并行处理（Concurrent Processing）混淆。流水线是指在序列中将“不同任务”的阶段重叠；而并行处理则是指在同一时间执行多个任务。
如果觉得定义太多，请别担心！只要记住这些方法其实只是为了以更聪明的方式“偷懒”——也就是找到通往答案的最有效路径！