浅谈算法能力

天赋

笔记

天赋是人与生俱来的基础认知禀赋。

它包括：工作记忆容量、注意控制、处理速度、符号加工效率等。

会影响：学习速度、思考成本、同时处理信息、压力下的稳定性。

但天赋不等于算法竞赛能力。

工作记忆强，不代表天然会建模；处理速度快，也不代表能够证明贪心或调试复杂程序。

更准确地说：天赋会影响能力系统建立和运行的成本，但不能单独决定一个人的最终水平。

知识 & 技能

知识：算法与数据结构、数学定理与性质、复杂度结论、题型经验等。

表示我的头脑中已经保存了什么材料。

技能：模板实现、二分边界处理、对拍、常见代码操作等已经熟练化的局部动作。

表示哪些局部操作已经足够熟练，可以低成本完成。

知识与技能都很重要，但它们本身仍不等于能力。

拥有树状数组模板，不代表能够在陌生题中识别“前缀最值查询”；知道区间 DP，也不代表能够判断某个问题是否应该使用区间状态。

因此：知识是材料，技能是自动化操作，能力负责组织、转换和调度这些材料与操作。

能力

能力是个体利用已有知识与技能，在一类任务中稳定完成某种转换，并能迁移到相似新情境中的结构。

这里尝试从算法竞赛所要求完成的任务出发，反推算法竞赛能力的构成。

算法竞赛最核心的任务是：

$$\text{题目} \xrightarrow{\text{解题能力}} \text{算法} \xrightarrow{\text{实现能力}} \text{程序}$$

赛场能力负责在有限时间、压力与团队约束下，调度这条转换过程，并最终将其转化为比赛成绩。

所以，算法竞赛能力可以分为三个互相衔接的部分：

1. 解题能力：把题目转化为算法；
2. 实现能力：把算法转化为程序；
3. 赛场能力：在比赛约束下稳定调度前两种能力。

1. 解题能力

把一道陌生题目转化为正确且复杂度可行的算法。

理解问题 $\to$ 识别结构 $\to$ 调用或探索方法 $\to$ 建立模型 $\to$ 验证正确性 $\to$ 优化复杂度 $\to$ 迁移新问题

1. 理解问题：把自然语言中的对象、操作、限制和目标转化为明确的数学描述。
2. 识别结构：识别题目深层的性质或结构，从而触发工具箱。
3. 图式调用：看到熟悉线索，快速调用已有模型。
4. 探索重组：没有现成模型可以直接覆盖时，改变表示、拆分问题或组合已有工具，形成适合当前问题的策略。
5. 建立模型：用明确的状态、图结构或其他数学对象承载题目性质。
6. 验证正确性：判断状态是否充分、转移是否完备、方案是否不重不漏。
7. 优化复杂度：根据数据范围定位瓶颈，减少重复计算，使算法达到可接受复杂度。
8. 迁移新问题：在不同表述中认出相同结构，并调整模型适应新的限制。

2. 实现能力

将理论上的算法稳定地转化为正确程序。

1. 代码实现：选择一条写得出来、调得出来、风险可控的路线，并将算法准确转化为程序。
2. 代码调试：程序出错后，通过测试与错误诊断找到并修正问题。

3. 赛场能力

在有限时间、压力和团队约束下，如何把解题能力与实现能力转化为成绩。

1. 题目评估：判断题目的难度、价值，以及可能需要的思维成本和实现成本。
2. 时间分配：合理安排读题、思考、编码和调试的时间，并根据比赛进度动态调整。
3. 风险管理：在正解、暴力、部分分和不同实现方案之间作出取舍，及时止损。
4. 团队协作：进行题目分工、信息同步、思路说明、代码交接与共同调试。

学习系统

学习系统不属于算法竞赛能力本身，但是推动这些能力持续成长的机制，包括学习知识、选择训练目标、获取反馈、复盘、迁移检验和整理工具箱。

其中，“整理工具箱”还包括把具体问题中获得的经验逐步压缩进稳定 Topic，并随着知识体系成熟管理 Record 的保留、迁移、封存与清理。它属于学习系统的知识管理机制，而不是算法竞赛能力中需要额外增加的一种能力。具体的学习循环与知识组织分别见 浅谈算法学习、浅谈算法知识体系。

总结

摘要

算法竞赛能力，是把一道陌生题目转化为正确且高效的算法，把算法转化为可验证、可调试的正确程序，并在比赛的时间、压力与团队约束下稳定调度并完成这两个过程的能力。

解题能力负责“想出来”，实现能力负责“写出来”，赛场能力负责“赛场上做出来”。

天赋影响 “成本”；知识和技能提供 “材料”；学习系统负责 “成长”；比赛成绩只是一次 “输出”。