浅谈算法学习

浅谈算法学习 - 个人学习方法论

在 浅谈算法能力 中，我尝试回答：算法竞赛能力究竟是什么。

在 浅谈算法知识体系 中，我继续讨论：知识与经验应当怎样被组织，才能形成可调用、可生长的个人工具箱。

最后剩下的问题是：外部的一道题、一篇题解、一个算法，怎样逐渐转化为自己的能力？

这就是本篇要讨论的内容。

一个核心问题

如何把一道题、一篇题解、一个算法等外部资源，逐渐转化为自己的能力，使自己在遇到陌生题目时能够自主调用？

基于一个判断：“学过算法 $\neq$ 拥有竞赛能力”。

我个人认为，一个知识节点通常要经过以下六个阶段：认识 $\to$ 理解 $\to$ 推导 $\to$ 实现 $\to$ 迁移 $\to$ 调用。

1. 认识：知道算法叫什么，处于什么位置，能解决什么问题，复杂度大致是多少。这一层是地图层面的认识，不代表掌握。

2. 理解：能够解释模型为什么成立、状态为什么充分、转移为什么正确、复杂度从哪里得到，以及哪些条件是必要的。

3. 推导：在没有给定标签的问题时，能够从 "数据范围"，“约束条件”，“决策过程”，“输入输出” 等题面信息推导出相应的模型，而不是只在看到专题后才会复述。

4. 实现：能够把确定的思路转化为程序，并处理下标与边界、初始化、更新顺序、溢出、去重、调试、对拍和复杂度等实现问题。

5. 迁移：当一道相似题目改变表述、限制、答案要求或数据规模后，仍然能够识别其本质，并在原模型的基础上扩展或修正。

6. 调用：在有限时间和不完整信息下，能够识别模型、选择题目、控制投入、组织思路、及时止损，并稳定完成实现。

于是，这套体系的关键不是 “我还要学什么知识”，而是 “关于一个知识节点，我卡在了哪一步”。

示例

不知道网络流：认识问题；
会写 Dijkstra，却解释不清为什么要求非负边权：理解问题；
没有思路，但点开标签后立刻会做：推导问题；
思路正确，但代码反复写挂：实现问题；
学过 LIS，却没有认出二维偏序：迁移问题；
赛后看题解一看就会，比赛时却没有想到：调用问题；
明明能够完成，却在错误题目上投入过多时间：调用问题。

注：这六个阶段描述的是知识内化的不同方面，并不意味着每个知识节点都必须严格按照线性路径推进。实际学习中，它们可能反复往返，也可能通过不同任务分别补足。

基于此，我用三条坐标轴来描述一次完整的学习活动。

三条坐标轴

1. 能力轴

这次训练主要想提升什么能力？

依据 浅谈算法能力，算法竞赛能力可以分为三个互相衔接的部分：

1. 解题能力：把题目转化为正确且复杂度可行的算法。
2. 实现能力：把理论算法稳定地转化为正确程序。
3. 赛场能力：在时间、压力和团队约束下，稳定调度前两种能力。

这条轴决定的是：为什么选择这道题，以及应该用什么方式训练。

同一道题可以承担不同任务：

• 第一次接触时，用于学习模型；
• 已经理解思路后，用于限时实现；
• 隔一段时间无标签重做，用于迁移检验；
• 放入比赛或 VP 中，用于调用检验。

所以，不应该笼统地问：这道题应该自己想多久？

而应该先问：我拿这道题，主要是为了训练什么？

2. 掌握轴

这个知识节点目前内化到了什么程度？

掌握轴就是前文的六个阶段：

• 认识 $\to$ 理解 $\to$ 推导 $\to$ 实现 $\to$ 迁移 $\to$ 调用

这条轴决定的是：当前真正的缺口在哪里。

例如，一个人可能已经理解某个算法，却无法从无标签问题中推导出来；也可能能够独立推导，却总在实现中出错；还可能平时会做，但比赛中无法及时调用。

因此，“会不会”并不是一个简单的是非判断。

同一个知识节点在不同环节上的掌握程度可能完全不同。

3. 工具轴

这次训练产生的经验，应该沉淀到个人知识体系的哪一层？

依据 浅谈算法知识体系，经验可以按照抽象程度分为：

• 事实 $\to$ 问题 $\to$ 方法 $\to$ 机制 $\to$ 思想

• 事实：一道题、一个性质、一个反例、一次失败或一个实现细节；

• 问题：具有共同结构的一类问题与对应模型；

• 方法：跨越多个专题反复出现的关键转化；

• 机制：多个方法背后的共同原理；

• 思想：能够指导更广泛探索的高度压缩认识。

这条轴决定的是：训练产物最终放在哪里。

这里描述的是知识本身的抽象程度，不等同于承载这条知识的 Record 最终应该保留、迁移还是删除。一个具体题目可以先作为事实层证据存在，随后其中的稳定模型进入 Topic，而原 Record 是否继续独立存在，要等知识体系发展到足以判断时再做生命周期审计。

不要求每做一道题都立刻向上抽象。多数题首先只是事实，经过多个案例和迁移检验后，才可能逐步形成问题模型、通用方法，乃至更高层认识。

如何共同使用

第一问：我主要训练哪种能力？

• 解题能力 / 实现能力 / 赛场能力

第二问：这个知识目前掌握到什么程度？

• 认识 / 理解 / 推导 / 实现 / 迁移 / 调用

第三问：这次经验应该沉淀到哪一层？

• 事实 / 问题 / 方法 / 机制 / 思想

示例

做一道“时空可达转二维偏序”的题：

• 能力轴：主要训练解题能力；
• 掌握轴：把 LIS 从理解推进到迁移；
• 工具轴：具体题目属于事实层，二维偏序属于问题层，排序降维属于方法层，改变表示属于机制层。

三条轴分别回答 “训练什么”，“掌握到哪里”，“最后留下什么”。

它们共同描述了一次学习活动，但彼此不能混为一谈。

学习飞轮

个人理解的学习过程是这样的：

地图 $\to$ 任务 $\to$ 尝试 $\to$ 障碍 $\to$ 反馈 $\to$ 重建 $\to$ 沉淀 $\to$ 检验 $\to$ 修补

1. 地图：先知道一个专题叫什么、解决什么问题、处于什么位置，以及当前需要掌握到什么程度。

2. 任务：选择与已有能力相连，同时包含一两个新障碍的问题。不同任务可以承担不同职责：吸收新知识、训练解题、训练实现，或者检验赛场调用。

3. 尝试：在获取完整答案以前，进行足以暴露问题的主动尝试，例如：手算小规模，写暴力，分析数据范围，构造反例，分析复杂度瓶颈。

4. 障碍：尝试之后，需要判断自己真正卡在哪里：是知识范围不够，是原理没有理解，还是思路正确但实现失败，又或是平时会做但比赛中无法调用。

5. 反馈：理想情况下，只获取足以让思考重新流动的信息，而不是 “不给提示” 或者 “直接看完题解” 两种极端。是否继续独立思考，不应只由时间决定，而应看当前尝试能否继续产生新的信息，例如性质、反例、候选路线或更准确的障碍描述。

6. 重建：无论获得了多少帮助，都需要完成与训练目标相对应的个人重建：用自己的语言解释，补全被省略的推导，说明关键步骤解决了什么障碍，并根据训练目标完成正确性验证、复杂度分析、独立实现或测试。

7. 沉淀：训练中真正有价值的经验，应当先被如实记录进个人知识体系，但不必在做完一道题时立刻决定它最终应该以什么文档形态存在。多数题只需要留下训练痕迹或轻量记录；带来新模型、新方法、新边界或真实认知变化的内容，则先保存它真正新增的知识。等 Atlas 发展到足以判断归属时，再对 Record 做生命周期审计：retain、migrate、shelved 或 delete。其中 migrate 只有在目标 Topic 真正吸收以后才进入后续 dissolve；shelved 记录的是当前知识前置尚未成熟，并不是掌握轴上的新阶段。具体方式参见 浅谈算法知识体系。

8. 检验：原题能够完成，并不意味着已经掌握，可以通过多种方式具体检验，比如无标签题，延迟重做，限时实现等。迁移与调用是判断能力是否形成的重要证据。

9. 修补：检验失败后，应当回到对应缺口：

不认识
→ 补知识地图

不理解
→ 补原理、证明和边界

不会推导
→ 做无标签解题训练

不会实现
→ 限时重写、测试与对拍

不会迁移
→ 做变式与跨专题连接

比赛中认不出来
→ 做混合题、延迟检验和 VP

比赛投入错误
→ 复盘题目评估、风险管理和止损

修补后的新经验再次进入知识体系，并参与下一轮训练。

于是，我们就得到了一个持续运转的学习计划。

四种训练模式

根据训练目标，可以把题目大致分为四种用途。

这四种模式之间没有高低之分，只服务于不同的训练目标。

1. 知识吸收

适合初次接触陌生算法、模型和较高阶内容。这一模式允许较早使用书籍、讲义和题解，但仍然需要完成自己的解释和实现。

主要推动：认识 $\to$ 理解 $\to$ 实现。

2. 解题训练

面对无标签问题，保留充分的主动尝试，并通过分级反馈推进。

主要推动：理解 $\to$ 推导 $\to$ 迁移。

3. 实现训练

算法思路已经确定，只训练代码兑现、测试和调试。

主要推动：实现 $\to$ 稳定实现。

4. 赛场检验

通过正式比赛、VP 或混合题，检验自己能否及时调动已有能力。

主要推动：迁移 $\to$ 调用。

每道题可以偏科，但整个训练周期不能偏科。

总结

摘要

算法学习，是通过目标明确的真实问题，主动尝试并暴露自己的具体障碍；再利用适量反馈完成个人重建，通过实现、变式、延迟重做与比赛检验，把外部知识逐渐转化为可迁移、可调用的个人能力。

学习过程可以概括为：

地图 $\to$ 任务 $\to$ 尝试 $\to$ 障碍 $\to$ 反馈 $\to$ 重建 $\to$ 沉淀 $\to$ 检验 $\to$ 修补

而一个知识节点的内化程度，可以通过下面六步判断：

认识 $\to$ 理解 $\to$ 推导 $\to$ 实现 $\to$ 迁移 $\to$ 调用

学习不是不断接触新的信息，而是让外部知识经过尝试、反馈、重建和检验，逐渐进入自己的能力系统。