暴力枚举法：最笨的方法往往最管用
说实话，我刚入行那会儿，特别看不起暴力枚举。总觉得这玩意儿太低级，谁不会啊？不就是把所有可能都试一遍吗？直到有一次，我在一个创业项目里赶工期，花了两天时间设计了一个「精妙」的算法，结果同事用三层 for 循环十分钟写完了——跑得还比我快。嗯，从那以后，我再也不敢小看暴力枚举了。
什么是暴力枚举？
暴力枚举，说白了就是「把所有可能性都试一遍」。你想想看，有时候最直接的方法，反而是最可靠的。
它的核心思想就三个字：穷举。把所有候选答案都列出来，然后一个一个检查，直到找到正确答案为止。
核心公式：
暴力枚举 = 穷举所有可能 + 逐一验证条件
适用场景
我个人习惯把暴力枚举的适用场景分成三类：
- 数据规模小：n 在 10⁶ 以内，或者循环层数不超过 3 层。比如数组长度只有 100，两层循环才 10000 次，现代 CPU 眨眼就完事。
- 没有更好的解法：有些问题天生就是 NP 难，比如旅行商问题，暴力枚举反而是唯一能保证正确性的方法。
- 作为 baseline：我在项目中经常先用暴力枚举写一个版本，确保逻辑正确，再优化。这叫「先跑通，再跑快」。
我的经验：面试时如果一时想不出最优解，先提暴力枚举方案。面试官不会扣分，反而觉得你思路清晰。我面过不少候选人，上来就讲最优解，结果讲得磕磕绊绊——还不如老老实实从暴力枚举开始。
优化技巧
暴力枚举虽然「暴力」，但也不是完全没技巧。我总结了四个常用优化方向：
| 优化方向 | 具体做法 | 效果 |
|---|---|---|
| 减少搜索空间 | 利用约束条件剪枝，提前排除不可能的解 | 大幅减少循环次数 |
| 空间换时间 | 用哈希表、数组等缓存中间结果 | 从 O(n²) 降到 O(n) |
| 对称性剪枝 | 利用问题的对称性，避免重复枚举 | 减少一半以上计算量 |
| 循环顺序优化 | 把约束最强的循环放在最外层 | 提前终止无效分支 |
避坑指南：我曾经在优化一个枚举算法时，为了追求「优雅」，加了一堆剪枝条件。结果代码跑出来 bug 一堆，调试了两天才发现是剪枝条件写错了。后来我学乖了：先写最朴素的暴力枚举，确保正确，再逐步优化。每一步优化都要跑测试用例验证。
经典例题：两数之和
这道题太经典了，几乎所有刷题的人都做过。题目是这样的：
给定一个整数数组 nums 和一个整数目标值 target，请你在该数组中找出和为目标值的那两个整数，并返回它们的数组下标。
你想想看，最直接的做法是什么？两层循环，挨个试呗。
解法一：暴力枚举（O(n²)）
def twoSum(nums, target):
n = len(nums)
for i in range(n):
for j in range(i + 1, n):
if nums[i] + nums[j] == target:
return [i, j]
return []这个代码我闭着眼睛都能写。外层循环固定第一个数，内层循环从它后面开始找第二个数。为什么从 i+1 开始？因为同一个元素不能用两次，而且 (i, j) 和 (j, i) 是同一个答案，没必要重复枚举。
解法二：哈希表优化（O(n)）
暴力枚举虽然简单，但 n 一大就扛不住了。我记得有一次线上数据量突然暴涨，两层循环直接超时，被运维大哥骂了一顿。从那以后，我遇到两数之和这类问题，第一反应就是哈希表。
def twoSum(nums, target):
hash_map = {}
for i, num in enumerate(nums):
complement = target - num
if complement in hash_map:
return [hash_map[complement], i]
hash_map[num] = i
return []这个思路其实很简单：遍历数组时，把每个数存到哈希表里。对于当前数 num，检查 target - num 是否已经在哈希表中。如果在，说明之前已经遍历过另一个数，直接返回下标。
关键点：哈希表优化本质上是「空间换时间」。暴力枚举用 O(1) 空间换 O(n²) 时间，哈希表用 O(n) 空间换 O(n) 时间。当 n 很大时，多花点内存是值得的。
知识体系图
下面这张图总结了暴力枚举法的核心知识结构，我建议你把它记在脑子里：
写在最后
暴力枚举法看似简单，但它是所有算法的基础。我见过太多人一上来就想最优解，结果卡了半天写不出来。其实，能写出暴力枚举，就已经赢了 80% 的人。剩下的 20%，是在暴力枚举的基础上，用空间换时间、用剪枝减少搜索——这些优化技巧，我们会在后面的章节里一个一个讲。
记住一句话：不要为了优化而优化。先让代码跑起来，再让它跑得快。
公众号：蓝海资料掘金营，微信 deep3321