eg. 媒婆經驗：住得近－多近算近？離家近？離工作地點近？多地間優先順序…

演算法透過確定性保證解決問題

eg. 網購保溫壺，就一直推薦保溫壺；搜尋一個《風聲》，就推薦各種諜報片

模型化：對不同的問題，用同樣的方式看待，用同一套演算法解決

硬體依賴

無窮大

“基本操作的總數量”隨著演算法“輸入規模”而增長的“函數關係”

eg. 蓋一座10公尺高的金字塔，設計圖決定了要壘10萬塊石頭還是50萬塊石頭： 壘石頭=基本操作；10公尺=輸入規模；圖=壘石頭總量；壘石頭總量跟金字塔高度之間的函數關係就是時間複雜度

空間換時間

分治思想

效用：滿足感

eg. 美國選民投不投票受性別、族裔、教育程度、職業等多因素影響；影響效用的因素太多，甚至有些因素之間還有複雜的相關關係

模型太複雜就求不出解；這時必須簡化模型；假設所有因素之間的關係只是線性疊加，沒有複雜的交互作用；這叫線性效應模型

規模大到計算機也無法處理，就得想辦法丟掉一些訊息

eg. 德州撲克：把相似的狀態合併

eg. 影片網站剛開始推薦你各種內容，過一段時間開始推薦你最常看的內容

eg. 兩家書店都以對方價格的倍數為自己定價，導致價格異常高

eg. 拿冰紅茶做尿液檢查，糖超標，懷疑糖尿病

eg. IBM打造沃森醫療診斷系統，演算法無法提供解釋

明確目的

明確限制條件

明確評價標準

就是把現實問題轉化成演算法問題的過程，也是大量細節被抽象掉的過程

設計演算法之前，一定要建立數學模型

模型迭代非常重要

由達成目標水準的高低，時間複雜度決定

演算法，硬體

確定對預測結果的精度要求，捨棄不重要的細節，模糊問題明確化、量化

用常識驗證；用歷史資料驗證

要貼近現實，也要容易求解

eg. 背包問題

eg. 投放線上廣告的決定需要瞬間完成，用貪心演算法；

eg. 規劃保護野生動物，要盡可能找到最優解，用分支定界演算法

更偏好資料敏感度低、限制條件少、對資料依賴小的演算法

eg. 把芝加哥搜遍找車，很慢，這叫暴力演算法

eg. 用迭代演算法找車，第1步離車距離10公里，轉第1次彎進入第2步迭代時距離變成1公里，再迭代一次變成100米，這個距離在迭代算法中叫“殘差”

eg. 網球比賽總裁判層層分包裁判工作

能不能用：確保問題可以分解成與原問題類似的子問題，且這些子問題之間相互獨立

求解快不快

eg. 取糖果遊戲：最後誰面對4顆糖，誰輸

eg. 火箭垂直軟著陸：最後位置必須離指定位置非常近，火箭與地面的角度必須非常接近90度，著陸的速度必須非常接近0

eg. 拿糖果遊戲：最優策略應該是一開始拿兩顆糖；但如果未來在面對更少糖果的時候，不遵守最優策略，那現在拿兩顆糖也不會贏

要找到一個可行的解不難，但要找到最優解，特別難

eg. 找出樹上最大的蘋果：剪掉蘋果明顯小的分枝，留下少量樹枝再做比較

eg. 找一個中學裡最高的學生

當某個子搜尋空間能獲得的目標上屆，比不上某個已知的可行方案，就直接把這個子空間淘汰

取決於能多有效地剪枝；如果只分支，不剪枝，就和全部算一遍沒有差別

「提前停止」策略：若已求出的臨時最優解離真正最優解已很近，提前停止可大大節省時間

eg. 英美法系中的判例法