程序设计的核心公式（N.沃思）：

程序 = 数据结构 (骨架) + 算法 (灵魂)

• 数据结构：是静态的。就像图书馆的书架，决定了书怎么放（是按首字母放，还是按类别放）。
• 算法：是动态的。就像图书管理员找书的流程（是从左往右一本本找，还是先查索引再找）。

我们通过一个“学生信息管理系统”的例子来理解：

• 数据 (Data)：计算机处理的符号总称。
• 数据元素 (Data Element)：数据的基本单位（例：学生表中的一行记录）。
• 数据项 (Data Item)：构成元素的最小单位（例：记录中的“学号”）。
• 数据对象 (Data Object)：性质相同的数据元素的集合（例：所有学生的集合）。

逻辑结构描述的是数据在思想上的关联。以下是四种基本结构的交互式演示：

这是逻辑结构的物理实现。

• 索引存储：建立一张“目录表”。先查目录找到地址，再找内容。（类似字典的拼音索引）。
• 散列存储 (Hash)：速度之王。
  • 原理：通过公式直接算出地址。
  • 例子：存 `105`，公式 `key % 10`，直接扔进 `5` 号房间。查找时直接去 `5` 号拿。

我们用 大O记号 表示随着数据量 $n$ 增大，耗时增长的趋势。

• $O(1)$ 常数阶：无论数据多少，耗时不变。
• $O(n)$ 线性阶：数据翻倍，耗时翻倍。
• $O(n^2)$ 平方阶：数据翻倍，耗时变 4 倍（双层循环）。
• $O(\log_2 n)$ 对数阶：非常快（二分查找）。

• 核心：暴力破解，试遍所有可能。
• 优化：剪枝 (Pruning)。如果在搜索过程中发现当前路径不可能成功，就直接放弃，不再往下试（剪掉树枝）。

• 核心口诀：分而治之，各个击破。
• 三个步骤：
  1. 1. 分解 (Divide)：将大问题分解为若干个规模较小的同类子问题。
  2. 2. 解决 (Conquer)：递归地解决这些子问题。
  3. 3. 合并 (Combine)：将子问题的解合并为原问题的解。
• 经典案例：归并排序、快速排序、二分查找。

• 核心：拒绝重复劳动。
• 原理：把大问题拆成小问题，但每个小问题的结果都存起来（通常存在数组或表中）。下次需要时，直接查表，不用重新算。
• 适用场景：求最值（最长路径、最大价值）、背包问题。
• 与分治法的区别：分治法的子问题是独立的；DP 的子问题是有重叠的。

• 核心：目光短浅，只看眼前。
• 策略：在每一步选择中都采取在当前状态下最好（即最有利）的选择，希望最后堆出来的结果也是全局最好的。
• 局限：不能保证一定是全局最优解（比如走迷宫，一直往目标方向走可能会走进死胡同）。
• 经典案例：找零钱问题（优先用大面额）、霍夫曼编码。

• 核心：不撞南墙不回头。
• 策略：一条路走到黑，发现走不通了，就退回到上一个路口（回溯），换一条路继续走。
• 本质：深度优先搜索 (DFS) 的一种形式。
• 经典案例：八皇后问题、走迷宫、数独。

学习数据结构与算法，不是为了死记硬背代码，而是为了培养“计算思维”：

1. 遇到复杂问题 → 分治
2. 遇到重复计算 → 动态规划
3. 需要快速试错 → 回溯
4. 需要资源最优 → 贪心

希望这份可视化的笔记能帮助你建立起知识框架！