在计算机科学的教学体系和软考考纲里，算法设计策略是一个处于方法论层面的核心概念。它回答的不是某一个具体问题怎么解，而是当面对一类具有共同结构特征的问题时，我们应当采用什么样的通用套路去组织计算过程。教材中给它的标准定义是：算法设计策略是指在求解问题过程中，根据问题的结构特征所选择的一整套问题求解的通用方法或范式，它规定了算法如何划分问题、如何组织子问题的求解顺序、以及如何合并子问题的结果。
理解这个概念，关键要抓住一个词——范式。范式意味着它是一套可以复用的思维框架，而不是某一行代码或某一个公式。同样是求最短路径，可以用动态规划逐层递推，也可以用贪心策略每次选最近的边；同样是搜索组合解空间，可以用回溯法深度优先试探，也可以用分支限界法广度优先扩展。同一个问题往往可以套用多种策略，而不同策略对应的时间复杂度、空间复杂度、以及能否保证得到最优解，都存在根本性的差异。软考要考的，正是这种差异的判断能力。
从考纲落点的角度看，算法设计策略在软考中级软件设计师的下午题和上午综合知识题中都有覆盖，但权重最高、最稳定的是上午综合知识题里的选择题。命题的典型形式是给出一段问题描述，让考生判断该问题适用哪一种策略，或者给出某个经典算法，让考生判断它属于哪一类策略。这种题目表面上考的是识记，实际上考的是对每一种策略底层运行机制的理解深度。因为只有真正理解了策略的运行逻辑，才能在题干给出的蛛丝马迹中快速定位答案。
在进入原理之前，有必要先把五大策略的官方术语固定下来。软考教材中标准的五大算法设计策略分别是：分治法、动态规划法、贪心法、回溯法、分支限界法。有些教材也会把蛮力法单独列出，但在软考的命题范围内，蛮力法通常被归为一种兜底手段而非独立考点。这五大策略构成了软考算法题目的完整知识骨架，理解了它们，无论是选择题还是后面的案例分析题，都能做到心中有数。
这一部分是整篇文章的核心。软考命题人最喜欢在策略的底层运行机制上挖坑，因为表层定义人人会背，而机制层面的差异才是区分度所在。下面逐一拆解。
分治法的英文是 Divide and Conquer，字面意思就是分而治之。它的运行机制可以概括为三个步骤：分解、求解、合并。首先把原问题分解成若干个规模更小、结构相同的子问题；其次递归地求解每一个子问题；最后把子问题的解合并成原问题的解。归并排序是分治法最标准的教科书案例：先把数组不断对半拆分，直到每个子数组只剩一个元素，然后自底向上两两归并，最终得到有序数组。
分治法的关键约束在于子问题必须相互独立。如果子问题之间存在大量重叠，分治法会陷入重复计算的泥潭，这正是它和动态规划的分水岭。衡量分治法效率的数学工具是主定理，它通过递归式 T(n) = aT(n/b) + f(n) 的形式来判断复杂度。软考虽然不要求考生直接运用主定理做严格推导，但要求考生能够判断二分查找、归并排序、快速排序这类经典算法的复杂度量级，而这些结论本质上都来源于分治的递归结构。
分治法的适用边界非常清晰：当问题的规模大到难以直接求解、但又可以自然地划分为相互独立的同构子问题时，分治就是首选。反过来，如果划分之后子问题之间存在严重的依赖或重叠，分治的效率就会退化，此时必须考虑动态规划。
动态规划是软考算法题目中难度最高、也最容易失分的策略。它的官方术语定义建立在两个核心性质之上：最优子结构和重叠子问题。最优子结构指的是问题的最优解包含其子问题的最优解，也就是说，全局最优可以通过局部最优递推得到。重叠子问题指的是在递归求解的过程中，同一个子问题会被反复计算多次。
正是重叠子问题这个性质，把动态规划和分治法彻底区分开来。分治法要求子问题独立不重叠，而动态规划恰恰利用子问题之间的重叠，通过把已经计算过的子问题的解保存下来，避免重复计算。这种保存中间结果的做法，就是动态规划名字中规划二字的真正含义——它不是规划未来，而是系统性地记录和复用已经得到的中间结果。
动态规划的两种实现方式，自顶向下的备忘录法和自底向上的填表法，本质上做的是同一件事，只是组织计算的顺序不同。备忘录法从原问题出发递归向下，遇到已计算过的子问题直接查表返回；填表法则从最小的子问题开始，逐层向上递推，直到填出原问题的解。矩阵链乘、最长公共子序列、0-1背包问题，都是动态规划的经典应用场景。软考特别喜欢用最长公共子序列和矩阵链乘作为动态规划的典型题面，因为它们清晰地体现了最优子结构和重叠子问题这两个特征。
贪心法的运行机制最为简洁，它不在求解之前做任何全局规划，而是在每一步都做出当前看起来最优的选择，希望通过一系列局部最优的选择最终拼出全局最优解。贪心法的核心风险正在于此：局部最优不必然等于全局最优。
贪心法能否保证得到最优解，取决于问题是否具备贪心选择性质和最优子结构。贪心选择性质指的是，通过局部最优选择能够得到全局最优解，即问题的全局最优解可以通过一系列局部最优选择来构造。这是贪心法区别于动态规划的本质所在：动态规划需要保存所有子问题的解以备组合，而贪心法一旦做出选择就不再回头，它不需要保存子问题的解，只需要一个当前最优的决策即可。
经典的可贪心问题包括：分数背包问题、单源最短路径的 Dijkstra 算法、最小生成树的 Prim 和 Kruskal 算法、活动选择问题、哈夫曼编码。需要注意的是，0-1背包问题不能用贪心法求得最优解，因为物品不可分割，贪心地拿单位价值最高的物品可能会导致背包容量的浪费，反而得不到全局最优。这个对比是软考命题人最偏爱的考点之一，务必牢牢记住。
回溯法是一种系统性的搜索方法，它针对的是那些解空间巨大、无法用多项式时间直接求解的组合优化问题。回溯法的核心机制是：把问题的解组织成一棵解空间树，从根节点出发，按深度优先的策略逐层试探，每到一个节点就判断当前的部分解是否还有希望通向一个可行解或更优解，如果判断无望，就立刻回退到上一层，砍掉这一整棵子树。
这种在搜索过程中提前终止无用分支的操作，叫做剪枝。回溯法的效率完全取决于剪枝函数的威力，剪枝越精准，搜索空间收缩得越快。回溯法可以求得最优解，但本质上它在最坏情况下的时间复杂度仍然是指数级的，剪枝只是让指数级在平均意义上变得可以接受。
回溯法最经典的应用是 N 皇后问题、图的着色问题、哈密顿回路问题、0-1背包问题的精确求解。这几个问题的共同特征是解空间是组合式的，没有已知的多项式时间算法，只能通过系统地枚举加上剪枝来求解。软考对回溯法的考查重点，往往落在深度优先这个搜索方向上，因为这是它和分支限界法最直观的区别。
分支限界法与回溯法同属解空间搜索类策略，二者的目标一致，但搜索方式和剪枝依据截然不同。分支限界法按照广度优先或最小代价优先的方式扩展解空间树，它维护一个活节点队列，每次从队列中取出一个最有希望的节点进行扩展，为它的每个子节点计算一个下界或上界，凡是界值不可能优于当前已知最优解的节点，就立即丢弃，不再进入队列。
分支限界法的剪枝依据是一个叫做代价下界的量，它是对当前部分解能够达到的最优目标值的一个乐观估计。如果某个节点的下界已经比当前找到的最优解还要差，那么这个节点及其所有后代都不可能产生更优的解，可以直接剪掉。这种基于界限的剪枝，与回溯法基于约束条件的剪枝，构成了两种不同风格的搜索剪枝哲学。
从软考命题的视角看，分支限界法最常见的考查方式是给出一段描述，让考生判断它属于回溯法还是分支限界法。判断的锚点就是搜索方向：深度优先对应回溯法，广度优先或最小代价优先对应分支限界法。真题中明确出现过以广度优先方式搜索解空间的表述，对应的答案就是分支限界法。
理解了五大策略的底层机制之后，接下来的关键是把它们放进一张可对比的框架里，弄清每一种策略的适用场景和边界条件。软考的进阶题目，往往要求考生在多个策略之间做出正确的选择判断。
分治与动态规划的分界点在于子问题是否重叠。当一个大规模问题可
本篇完！