"算法" 是计算机科学、数学及日常生活中都广泛存在的核心概念，本质是解决特定问题的、有限的、可重复执行的步骤集合 。它并非仅存在于代码或机器中，而是一种 "高效解决问题的逻辑框架"------ 小到每天规划通勤路线，大到人工智能识别图像，背后都依赖算法的支撑。
一、算法的核心定义与关键特征
要理解算法，需先明确其必须满足的 5 个核心特征，缺一不可：
- 有穷性：算法必须在 "有限步骤" 内结束。例如，计算 "1+2+3+...+100" 的算法（如高斯求和公式），无论用哪种方法，都能在固定步骤内得出结果；若步骤无限循环（如 "一直加 1 不停止"），则不构成算法。
- 确定性：每一步操作都必须 "唯一且明确"，不存在歧义。例如，"将数字 x 乘以 2" 是确定的，但 "随便处理一下 x" 因无明确规则，不属于算法步骤。
- 可行性：算法的每一步都能通过 "实际可执行的操作" 实现。例如，"让计算机计算 10^100" 是可行的（计算机可处理大整数），但 "让计算机瞬间遍历无限个数字" 则不可行。
- 输入：算法可以有 0 个或多个 "明确的初始数据"。例如，"计算圆的面积" 需要输入 "半径"（1 个输入）；"输出'Hello'" 则不需要输入（0 个输入）。
- 输出：算法必须有 1 个或多个 "明确的结果"。若执行后无任何结果（如 "仅定义步骤但不输出答案"），则不满足算法的核心目的。
二、算法的常见分类（按应用场景）
算法根据解决的问题类型，可分为多个领域，以下是最典型的几类：
三、算法的 "好坏" 如何衡量？（效率指标）
同样的问题可能有多种算法（如 "排序 1000 个数字"，可用冒泡排序或快速排序），但不同算法的 "效率" 天差地别，核心衡量指标有两个：
- 时间复杂度 ：算法执行所需的 "时间成本"，通常用 "步骤数随输入数据量增长的趋势" 表示（而非具体耗时，因耗时受硬件影响）。
- 例：排序 1000 个数字时，冒泡排序 的时间复杂度是 O (n²)（步骤数随数据量的平方增长，1000 个数据需约 100 万步）；快速排序的时间复杂度是 O (n log n)（1000 个数据仅需约 1 万步）------ 显然快速排序更高效。
- 空间复杂度 ：算法执行所需的 "内存成本"，即存储中间数据占用的空间随输入数据量增长的趋势。
- 例：某些排序算法（如归并排序）需要额外存储一份数据副本（空间复杂度 O (n)），而原地排序算法（如堆排序）无需额外空间（空间复杂度 O (1)），更适合内存有限的设备（如嵌入式设备）。
四、算法的核心价值
算法是 "将抽象需求转化为可执行方案" 的桥梁：
- 对计算机而言：算法是代码的 "灵魂"------ 没有算法，代码只是无意义的指令；有了算法，计算机才能实现 "自动计算、识别、决策"。
- 对人类而言：算法是 "高效思维的工具"------ 它强迫我们将问题拆解为明确、可执行的步骤，避免混乱和遗漏，无论是解决数学问题还是规划人生，本质都是在设计 "属于自己的算法"。