欢迎来到算法的世界！
欢迎！在本章关于算法建模（Modelling with Algorithms）的学习中，我们将探索数学世界中的“食谱”。无论你是使用 GPS 寻找回家的最快路线，还是电脑在整理数以百万计的文件，背后都有一个算法（Algorithm）在运作。
别担心，即使你从未写过程序，或者觉得“大 O 符号（Big O notation）”听起来像天书，也不用紧张。我们会将这些概念拆解成任何人都能跟上的简单逻辑步骤。让我们开始吧！
1. 什么是算法？
简单来说，算法就是解决特定问题的一系列有限指令。把它想象成烤蛋糕的食谱：你准备好材料（输入/Input），按照顺序执行步骤（处理/Process），最后得到一个蛋糕（输出/Output）。
关键组成部分：
- 初始状态（Initial State）：你开始的地方。
- 输入（Input）：你提供给算法的数据（例如：一串数字）。
- 输出（Output）：算法最终产出的结果。
- 变量（Variable）：一个用来储存数值的“盒子”，随着算法执行，里面的值会改变（例如：“令 \(i = i + 1\)”意思是更新标记为 \(i\) 的盒子里的数值）。
- 有限性（Finite）：这点至关重要！算法必须在有限步骤内结束，不能无限执行下去。
类比：想象你在教一台机器人泡茶。你不能只说“泡茶”，你必须说：1. 把水煮沸。2. 将茶包放入杯中。3. 倒水。如果你忘了叫它停止倒水，你的厨房就会淹水了！这就是为什么终止（Termination）是算法的核心。
快速回顾：一个算法必须有清晰的开始、明确的步骤，以及确定的结束点。
2. 跟着地图走：流程图与伪代码
算法通常以两种主要方式呈现：流程图（Flowcharts）（可视化地图）和伪代码（Pseudocode）（类似英语的指令）。
需要记住的流程图符号：
- 椭圆形：开始或结束。
- 矩形：处理或指令（例如：“将 \(x\) 加 1”）。
- 菱形：决策或“如果（if）”语句（例如：“\(x > 10\) 吗？”）。这类符号总有两条路径出来：“是”或“否”。
理解逻辑：
算法经常使用迭代过程（Iterative processes）（循环）。这意味着重复执行一组步骤，直到满足特定条件为止。
示例：“当水尚未煮沸时，持续加热水壶。”
记忆小撇步：在伪代码中，片语“令 \(i = i + 1\)”非常常见。不要把它当成代数方程式（那样 \(i\) 就会消掉了！），要把它想成一条指令：“用新值（旧值 + 1）来取代 \(i\) 的旧值。”
总结：流程图适合视觉型学习者；伪代码适合喜欢列表的人。两者完成的工作是一样的！
3. 算法复杂度：电脑运作得有多辛苦？
并非所有算法都生而平等。有些算法速度很快，有些则在问题规模变大时非常缓慢。我们使用复杂度（Complexity）来衡量这一点。
“大 O”符号（Big O Notation）
我们使用阶数符号（Order Notation）（例如 \(O(n)\) 或 \(O(n^2)\)）来描述算法所需的运算时间随问题规模（\(n\)）增长的方式。
- 线性复杂度 \(O(n)\)：如果你将项目数量增加一倍，所需时间也会加倍（例如：逐一搜索列表）。
- 二次复杂度 \(O(n^2)\)：如果你将项目数量增加一倍，所需时间会变成原来的四倍（\(2^2 = 4\)）。当你在一个循环中又套用另一个循环时，就会发生这种情况！
你知道吗？我们通常关注最坏情况（Worst Case）。这能确保无论输入的数据有多不理想，我们都知道该算法所需的最长时间。
快速回顾练习：如果一个 \(O(n^2)\) 算法处理 100 个项目需要 5 秒，那么处理 200 个项目需要多久？
规模翻倍（\(\times 2\)），因此时间增加 \(2^2 = 4\) 倍。
新时间 = \(5 \times 4 = 20\) 秒。
4. 排序算法：将事物按顺序排列
课程大纲特别强调了快速排序（Quick Sort）算法。这是一种“分治法（Divide and Conquer）”的排序方式。
快速排序如何运作：
- 选择一个枢纽（Pivot）（通常是列表中的第一个或最后一个项目）。
- 将其他所有项目与枢纽进行比较。
- 将小于枢纽的项目移至左侧，大于枢纽的项目移至右侧。
- 现在枢纽已经位于其最终正确的位置。
- 对左侧和右侧的“子列表”重复上述过程。
常见错误：当手动进行快速排序时，学生常会忘记一旦枢纽被选中并用于拆分列表后，该枢纽就已经“锁定”在位了。下次再进行拆分时，千万别再移动它！
要点：像快速排序这样的排序算法，其最坏情况的复杂度通常为 \(O(n^2)\)。
5. 装箱算法与启发式方法
有时候，找到“完美”的答案需要太长时间。在现实世界中，“足够好且快速”往往比“完美但缓慢”更好。这就是启发式方法（Heuristics）发挥作用的地方。
装箱问题（Bin Packing）：
想象你在把箱子装进货车。你希望使用的箱子数量越少越好。
- 首次适应法（First Fit）：按照给出的顺序逐个取出物品，放入第一个能装得下的箱子中。
- 递减首次适应法（First Fit Decreasing, FFD）：先将物品按大小降序排列，然后再使用“首次适应法”。这通常效果更好，因为你先处理了那些大而难装的物品！
- 满箱法（Full Bin）：寻找物品组合，使其恰好填满一个箱子的策略。
重要观点：这些都是启发式算法。它们高效且快速（复杂度为 \(O(n^2)\)），但不保证能得到最少箱子数量的绝对最佳解。它们只是给出一个非常好的估算值。
总结：追求速度用“首次适应法”；想要更好的结果用“递减首次适应法”（但记得要先排序！）。
6. 证明算法
我们如何确定一个算法确实有效？
- 穷举证明（Proof by Exhaustion）：测试每一个可能的案例（只适用于非常小的问题！）。
- 反例否定（Disproof by Counter-example）：如果你找到一个算法失败的案例，就证明该算法是不正确的。
鼓励：如果这些证明看起来很抽象，别担心！大多数考试题目只会要求你解释某个步骤为何有效，或者提供一个简单的例子，说明为什么某个启发式算法无法给出最佳答案。
本章重点小结：
算法是用于提升效率的逻辑工具。通过理解它们的结构（流程图/伪代码）、效率（复杂度）以及局限性（启发式方法），你就能有系统地建模并解决现实世界中的复杂问题。