更弱智的算法学习：暴力枚举、剪枝与排序算法复盘

“更弱智的算法学习”这个名字听起来像是在自嘲，但今天是我坚持算法学习的第32天，我反而觉得这个“弱智”标签挺真实、也挺有用。朋友圈打卡时候随手起的标题，没想到成了我三十多天里最好的心理建设工具：不强求一次看懂所有高深理论，不指望十几天就刷穿大厂面试题，就是把每个算法当成一个“笨办法”来学，先想清楚它到底在解决什么问题，再动手写、动手调。今天的主题是暴力枚举和剪枝，顺便把排序算法整个过了一遍，趁着热乎劲儿把这段心得整理出来，希望能给同在学算法、尤其是零基础和弱基础的你一点参考。

1. 第32天为什么选“暴力枚举”当主角

1.1 别小看这个“最笨”的算法

很多初学算法的人一上来就冲KMP、冲击力最强的动态规划、刷满脑子“高级算法”，但真正到写代码的时候就蒙了：套模板都套不对，更别提分析为什么对。我前三十天的教训非常直白——地基没打好，后面的东西全是空中楼堡。

暴力枚举（Brute Force）就是那个地基。它没有任何花哨的技巧，核心就一句：把所有可能的答案一个一个试一遍，选那个符合条件或者最优的。听起来像废话，但实际做起来，大部分人连“把所有可能”这五个字都做不到。你可能会问：这有什么技术含量？我先说一个最真实的场景：LeetCode和蓝桥杯的题目，很多都不要求你一次写出最优解，只要你能在限定时间内跑出正确结果，至少能拿到基础分。很多时候暴力解就是把思路理清楚的最短路径，先写出来跑通，再谈优化。我的习惯是：拿到一道题，先问自己“如果不用任何高级技巧，能不能把答案找出来”，用这种思路把状态空间列清楚，然后再去考虑优化。这一步训练的是对问题空间的理解力，不是代码手速。

1.2 暴力枚举的三个实操层次

把暴力枚举做好，其实有三个层层递进的要求：

第一，枚举什么。也就是要定义清楚状态空间。一个数组里找两个数，让它们之和等于target，暴力的状态空间就是所有二元组下标(i, j)；从一个集合里找满足条件的子集，状态空间就是所有子集。很多同学卡在这里，不是因为不会写for循环，而是没想清楚“把所有可能”到底包含了哪几种可能。这步建议画出来，不要直接在脑子里想。

第二，怎么枚举才不重不漏。这是最容易翻车的地方。两个for循环的时候，内层循环是从0开始还是从i+1开始，直接决定了你会不会重复枚举、会不会漏掉组合。养成一个标准姿势：组合类问题里，外层循环i从0到n-1，内层j从i+1到n-1，这样枚举的是所有下标对且不重复；排列类问题里，需要用visited数组记录哪些元素已经用过。这个习惯要形成肌肉记忆。

第三，能不能早点停下来。这就是剪枝，也是暴力枚举进阶到高效算法的起点。

1.3 剪枝不是玄学，是把“明显不对”的路提前堵死

剪枝这个术语听起来很吓人，实际它干的事情就是：在枚举过程中，提前判断某条分支不可能产生答案，就跳过它，不在它身上浪费时间。我学的时候用了生活化的类比来理解：你要在一个小区里找一个人，暴力枚举就是每栋楼每层每户都敲门问一遍；而剪枝就是——如果物业告诉你这人不住在带电梯的楼里，那你就不用去电梯楼挨家挨户问，这就是一个剪枝。

剪枝常见的有三类，我整理成一张表方便对照：

学习的时候关键不是记住这三个名词，而是掌握一个思维习惯：每写一层循环或递归分支，都问一句“有没有什么条件能让我不用继续试了”。比如经典的全排列+求和问题，如果当前累加和已经超过target，后面加什么都超，直接return。就这么一行代码，可能把运行时间从几百毫秒降到个位数。

1.4 暴力枚举阶段最容易踩的坑

我把自己踩过和看别人踩过的坑集中写在下面，每条都是用时间换来的：

• 枚举范围看错。题目给的数范围是0到n，你写了for(i=0; i<n; i++)，漏掉了最后一个位置；或者数组长度是n，你for到n+1直接越界。聪明办法是统一用“左闭右开”的区间写法，也就是for循环里写i=0; i<len; i++，不要一会儿<一会儿<=。
• 剪枝剪过头。剪枝的前提是“这一条分支绝不可能产生正确答案”，如果你只是“感觉可能不对”就剪掉，很容易把正确的答案也剪掉。判断标准是：必须能严格证明这条分支不考虑答案也一定错误或一定不优，否则别剪。
• 递归枚举忘记恢复状态。比如在全排列里，你用过某个元素后要标记visited，回溯时必须撤销这个标记，否则后续分支会漏掉这个元素。这个操作有个专门的名字叫回溯，可以说是递归枚举的灵魂。
• 认为暴力一定超时。实际情况是，题目给的数据范围很小的时候，暴力就是最优解。判断依据很简单：估算枚举次数。如果一次操作规模在10的7次方量级，多数语言在1秒到2秒内都能跑完；到10的8次方就得考虑优化了。学会估算枚举次数，比盲目优化重要得多。

2. 排序算法全复习：从O(n²)到O(n log n)的分水岭

2.1 为什么学习进度里必须插一天专门搞排序

排序是所有算法里出场率最高的一类基础操作，不管你是做数据分析还是写业务代码，不管你是刷题还是搞工程，几乎天天和排序打交道。而且排序算法是个非常典型的学习载体：同一个问题，有十几种解法，每种解法的思路、时间空间复杂度、稳定性都不一样。对我来说，学习排序算法最大的意义不在于“会用sort函数”，而在于理解“同一个目标可以有不同的算法路径”，这是算法思维的启蒙课。

我在day32安排了一个两小时专项，把最常见的一类排序算法挨个手写了一遍，包括冒泡排序、插入排序、选择排序、归并排序、快速排序、堆排序。这个过程看着多，实际只要理清一条主线就好：每个算法都要回答两个问题——它每轮在做什么？它每轮能确定什么？

2.2 O(n²)三兄弟：冒泡、插入、选择

这三个排序常被放在一起对比，因为它们都是两层循环，时间复杂度都是O(n²)。但细节差别很大，我用一个实战视角来解释：

冒泡排序每轮从前往后扫描，相邻元素比较，如果前大后小就交换。这样一轮下来，最大的元素会被“冒泡”到最后面，所以第i轮结束后，倒数第i个位置就确定了。它的优点是代码简单直观，缺点是交换次数多。冒泡有个特性：对于已经有序的数组，一轮扫描如果没有发生任何交换，就可以提前结束，这是它天然的优化点。

插入排序更像是在打扑克牌摸牌：把新摸到的牌从右往左和手里已有的牌比较，找到位置插进去。实际写的时候，是把当前元素记下来，逐个往后挪动比它大的元素，最后放入正确位置。插入排序在数据局部有序的时候特别猛，最优情况复杂度能降到O(n)，所以很多高级排序在小规模子问题上会用它收尾。

选择排序每轮扫描剩余未排序部分，找到最小值和当前位置交换。它的特点是交换次数少，但比较次数固定，无论如何都是O(n²)。这里要特别提醒一个大家都会犯的错：找到最小值下标后，如果这个最小值就在当前位置，不需要交换，直接跳过，否则会白白增加一次赋值的运行开销。

2.3 归并排序：分治思想的第一次正面接触

归并排序的核心操作只有两个字：合并。把数组切成两半，各自排好序，再准备一个临时数组，把两边按大小依次合并回去。这个“切到不能再切，再逐层合并”的过程，就是分治思想最标准的范本。它最稳定的地方在于：不管数据原本是什么顺序，时间复杂度都是O(n log n)，不会退化。代价是需要额外O(n)的临时数组空间。

我第一次写归并排序的时候，被合并那一步各种下标越界问题折磨，后来总结出一个不出错的写法：合并时用三个游标，一个是左半区游标i，一个是右半区游标j，一个是临时数组游标k。每次比较两个半区的当前元素，谁小放谁，放完对应游标加一。某个半区放完了，就把另一个半区剩余元素全部依次放进去。这里最关键的问题在于终止条件：必须是i到左半区末尾和j到右半区末尾都处理完，而不是简单的i<n。

2.4 快速排序和堆排序：工程级的选手

快速排序的平均时间复杂度也是O(n log n)，它的核心是选取一个基准值(pivot)，把小于它的放左边，大于它的放右边，然后对左右两边递归排序。它的性能高度依赖基准的选择：如果每次选到的都是中位数，那么递归树是平衡的；如果每次选到的是最大或最小值，那快排就退化成了O(n²)。这也是为什么工程实现里不会简单取第一个元素当pivot，而是采用三数取中或者随机选法。C++标准库的std::sort底层用的是Introsort，它结合了快排、堆排序和插入排序的优点，在递归深度过深时会切换成堆排序，避免退化。

堆排序则是利用堆这种数据结构来排序：先把整个数组构建成一个大顶堆，堆顶就是最大值，把堆顶和末尾交换，缩小堆范围，再向下调整堆。这个过程有意思的地方在于，它不需要额外空间，属于原地排序。但它的成绩和快排相比在日常测试中通常偏慢一点，因为堆的访问模式对CPU缓存不友好。不过作为学习堆结构的重要载体，它必须亲手实现一遍。

2.5 排序算法对比速查表

注意：稳定性指相等元素的相对顺序是否保持原样。业务系统里如果有“先按时间排序，再按优先级排序”的需求，稳定排序是必须的，否则第二次排序会打乱第一次的结果。这也是为什么归并排序在很多场景里没法被快排完全替代。

3. 30天算法学习路线复盘与调整

3.1 阶段一：头十天，千万不要一上来就刷题

很多入门者最大的问题就是过早进入题海。我第一天也想学“大神”直接刷困难题，结果被教做人。后来把前十天的任务定成：学基础语法和复杂度分析。语言的循环、数组、字典、函数得写到不用查文档的程度；算法复杂度的概念得理解到“能估算代码运行次数”的程度，不需要会严格的数学证明。这是后面一切的基础。我建议这个阶段可以结合教材，像《图解算法》这种有大量图示和简单例子的书，比较适合建立直观认知。

3.2 阶段二：第11到20天，把数据结构摸熟

学算法绕不开数据结构。我在这个阶段按照“数组、链表、栈、队列、哈希表、树、堆”的顺序逐个击破。这个顺序很有讲究：数组和链表是基础存储结构，栈和队列是受限制的操作接口，哈希表是解决快速查找问题的利器，树和堆开始引入层级结构和优先级概念。每个结构都要动手实现一遍基本操作，而不是只在题目里用现成的库。比如手写一个链表反转、手写一个栈用来判断括号匹配、手写一个小顶堆用来解决TopK问题，这样才能真正体会到每个结构适合解决什么问题。

3.3 阶段三：第21到31天，开始接触搜索和一点动态规划

搜索算法（DFS深度优先搜索、BFS广度优先搜索）是暴力枚举的升级版，也是图论的基础。DFS用递归或者栈实现，BFS用队列实现。刷题的话，可以找几道经典的迷宫问题、全排列问题、岛屿数量问题来练手。动态规划在这个阶段我不建议扎太深，但至少要理解最基础的思路：把一个大问题拆成重叠的子问题，用数组把子问题的答案存起来避免重复计算。一个简单的斐波那契数列，从递归到记忆化搜索再到递推数组，就能串起动态规划的核心思想。贪心算法在这个阶段也只挑最经典的几个题看，比如区间调度、跳跃游戏。

3.4 第32天这个节点：我做了三件事

一是把前三十天学的核心专题过了一遍思维导图，跟着脑海里复述每个算法的核心思路，不看笔记，说不上来就回看；二是专门用半天时间把排序算法和暴力枚举+剪枝这两个专题打透；三是找了三道以前觉得困难的综合题，限时完成，检验自己的掌握程度。这三道题的检验结果让我明确了下一阶段的方向：字符串匹配里的KMP算法、二分图匹配的匈牙利算法、还有图论里的Tarjan算法，这些热搜里频繁出现、也是很多面试题库常客的内容，要提上日程了。但我不打算一口气全学，还是沿用“更弱智”的策略，一天只死磕一个点。

4. 算法学习里那些踩过的坑和排查技巧

4.1 时间复杂度的致命误判

我给自己的算法题卡时间的时候，经常出现“明明没几行代码，为什么超时”的尴尬。后来排查发现，大部分超时问题的根源不是某个for循环本身，而是循环里调用了高代价操作。最典型的是在循环里使用字符串拼接，比如在Java里用String的加号循环拼接大量字符串，实际每次拼接都会创建一个新的字符串对象，代价从表面上看起来的O(1)变成了O(n)，整体复杂度直接升一档。我总结了一条排查方法论：先把每行代码写成“时间复杂度乘以执行次数”，列成一张清单，再找最重的那一项。这一步做完，基本上90%的复杂度问题都能发现。

4.2 边界条件就是用来出错的

算法题最折磨人的不是算法本身，而是边界条件。数组长度为0的情况、数组长度为1的情况、目标值出现在数组第一位、目标值出现在数组最后一位、递归到只剩一个元素、左右指针相遇的瞬间……这些场景我每个都出过错。后来养成了一个习惯：写完代码先不看示例数据，而是自己构造三组边界用例，空的、最小的、最大的，跑完再手动模拟一遍过程。说句真心话，这个方法帮我避免了很多次提交后的一片红。

4.3 调试要先打印，再谈抽象

我这里分享一个对新手特别有用的调试方法：当代码结果不对的时候，不要急着去猜哪里错了，而是在关键节点打印中间状态。比如排序算法每轮结束后打印整个数组，暴力枚举里每个分支进入时打印当前选中的元素。打印出来的数据能非常直观地告诉你：是哪一轮开始错的，是枚举少了还是比较逻辑错了。这一步定位准确之后，再回头审视代码逻辑，往往一眼就能看到问题。等调试熟练了，再学习使用断点和单步执行来排查，效率更高。

4.4 常见问题速查表

5. 这段时间亲测好用的工具和下一步方向

5.1 可视化工具和刷题平台

我学算法用到的高频工具，值得单独列一下。可视化方面，强烈推荐在浏览器里打开VisuAlgo这个网站，里面用动画演示了各种排序、搜索、图算法，直观程度远远超过看代码。第一次看到快速排序的动画时，我瞬间理解了基准值是如何把数组层层划分的，这是看文字描述完全没有的效果；同时力扣平台仍然是刷题首选，可以按专题分类刷题，并且能看到别人的解题思路和复杂度分析。我自己给每个专题设置一个最低刷题数量，比如排序三题、DFS五题、BFS五题、DP三题，量不大，但每道都要吃透。

5.2 算法笔记怎么记才有用

踩了一个月的坑之后，我发现最有效的笔记方式不是抄代码，而是记录三件事：这道题的核心思路是什么，拿到这题时怎么从题干联想到这个思路的，以及我的代码在哪里最容易写错。这种“思路-联想-易错点”方式比“题目-答案”式记录对复习更有用。我还会隔三天翻一次旧笔记，专门检验自己不看答案能不能重新做出来。很多当时觉得“看懂了”的题，隔三天再做发现完全不会，这才是真实的学习状态。重复到第三次能独立完成，这个知识点才算真正属于我。

5.3 下一步：KMP、图论和更广阔的世界

第32天之后，我给自己排了三个方向，还是保持一天一个专题的节奏：字符串方向的KMP算法，核心是利用部分匹配表避免重复匹配；图论方向的匈牙利算法和Tarjan算法，一个解决二分图最大匹配问题，一个解决强连通分量问题；树状数组和线段树这种更高级的数据结构，排在更靠后的位置。另外，热搜词里还有大量强化学习、深度强化学习、粒子群算法这类机器学习方向的名称，虽然短期之内我不会深入学数学原理，但至少需要了解这些算法的基本思想框架和适用场景。这种“广泛了解、定向深入”的方式，适合用来建立自己的算法知识地图，避免被网络上铺天盖地的热搜词带偏。

5.4 一个建议：给自己的学习留一点“弱智”的空间

我越来越觉得，“更弱智地学习算法”不是自嘲，而是一种刻意的方法。每学一个新算法，先不急着看结论、背模板，而是问一句：如果我不学这个算法，用最笨的办法能不能解决这个问题？想清楚笨办法的痛点，再看高级算法聪明在哪里。这个从“笨”到“聪明”的过程，才是算法学习最核心的乐趣。比如不先自己写一遍O(n²)的两数之和暴力解，就很难真正理解哈希表把查找从O(n)降到O(1)是多么惊艳的设计。

第32天是这段旅程的中间点，前面的一个月证明了我这种“地毯式、逐步推进”的方法在我身上有效，后面的日子里，我依然会保持每天只啃一小块硬骨头的节奏，认真暴力，认真剪枝，认真把每一个“不弱智”的算法，都用“弱智”的方式学明白。