每年一到要找工作的時候，我就能收到很多人給我發來的郵件，總是問我怎麼選擇他們的offer，去騰訊還是去豆瓣，去外企還是去國內的企業，去創業 還是去考研，來北京還是回老家，該不該去創新工場？該不該去thoughtworks？……等等，等等。今年從7月份到現在，我收到並回復了60多封這樣 的郵件。我更多幫他們整理思路，幫他們明白自己最想要的是什麼。（注：我以後不再回復類似的郵件了）。

我深深地發現，對於我國這樣從小被父母和老師安排各種事情長大的人，當有一天，父母和老師都跟不上的時候，我們幾乎完全不知道怎麼去做選擇。而我最近也離開了亞馬遜，換了一個工作。又正值年底，就像去年的那篇《三個故事和三個問題》一樣，讓我想到寫一篇這樣的文章。

幾個例子

當我們在面對各種對選擇的影響因子的時候，如：城市，公司規模，公司性質，薪水，專案，戶口，技術，方向，眼界…… 你總會發現，你會在幾個公司中糾結一些東西，舉幾個例子：

• 某網友和我說，他們去上海騰訊，因為騰訊的規模很大，但卻發現薪水待遇沒有豆瓣高（低的還不是一點），如果以後要換工作的話，起薪點直接關係到了 以後的高工資。我說那就去豆瓣吧，他說豆瓣在北京，汙染那麼嚴重，又沒有戶口，生存環境不好。我說去騰訊吧，他說騰訊最近組織調整，不穩定。我說那就去豆 瓣吧，慢公司，發展很穩當。他說，豆瓣的盈利不清楚，而且用Python，自己不喜歡。我說，那就去騰訊吧，……

• 還有一網友和我說，他想回老家，因為老家的人脈關係比較好，能混得好。但又想留在大城市，因為大城市可以開眼界。

• 另一網友和我說，他想進外企，練練英語，開開眼界，但是又怕在外企裡當個螺絲釘，想法得不到實施。朋友拉他去創業，覺得創業挺好的，鍛鍊大，但是朋友做的那個不知道能不能做好。

• 還有一網友在創新工場的某團隊和考研之間抉擇，不知道去創新工場行不行，覺得那個專案一般，但是感覺那個團隊挺有激情的，另一方面覺得自己的學歷還不夠，讀個研應該能找到更好的工作。

• 還有一些朋友問題我應該學什麼技術？不應該學什麼技術？或是怎麼學會學得最快，技術的路徑應該是什麼？有的說只做後端不做前端，有的說，只做演算法研究，不做工程，等等，等等。因為他們覺得人生有限，術業有專攻。

• 等等，等等……

我個人覺得，如果是非計算機科班出生的人不會做選擇，不知道怎麼走也罷了，但是我們計算機科班出生的人是學過演算法的，懂演算法的人應該是知道怎麼做選擇的

排序演算法

你不可能要所有的東西，所以你只能要你最重要的東西，你要知道什麼東西最重要，你就需要對你心內的那些慾望和抱負有清楚的認識，不然，你就會在糾結中度過。

所以，在選擇中糾結的人有必要參考一下排序演算法。

• 首先，你最需要參考的就是“氣泡排序”——這種演算法的思路就是每次冒泡出一個最大的數。所以，你有必要問問你自己，面對那些影響你選擇的因子，如 果你只能要一個的話，你會要哪個？而剩下的都可以放棄。於是，當你把最大的數，一個一個冒泡出來的時候，並用這個決策因子來過濾選項的時候，你就能比較容 易地知道知道你應該選什麼了。這個演算法告訴我們，人的雜念越少，就越容易做出選擇。

• 好吧，可能你已茫然到了怎麼比較兩個決策因子的大小，比如：你分不清楚，工資>業務前景嗎？業務前景>能力提升嗎？所以你完全沒有辦 法進行冒泡法。那你，你不妨參考一個“快速排序”的思路——這個演算法告訴我們，我們一開始並不需要找到最大的數，我們只需要把你價值觀中的某個標準拿出 來，然後，把可以滿足這個價值的放到右邊，不能的放到左邊去。比如，你的標準是：工資大於5000元&&業務前景長於3年的公司，你可以 用這個標準來過濾你的選項。然後，你可以再調整這個標準再繼續遞迴下去。這個演算法告訴我們，我們的選擇標準越清晰，我們就越容易做出選擇。

這是排序演算法中最經典的兩個演算法了，面試必考。相信你已爛熟於心中了。所以，我覺得你把這個演算法應用於你的人生選擇也應該不是什麼問題。關於在於，你是否知道自己想要的是什麼？

排序演算法的核心思想就是，讓你幫助你認清自己最需要的是什麼，認清自己最想要的是什麼，然後根據這個去做選擇。

貪婪演算法

所謂貪婪演算法，是一種在每一步選擇中都採取在當前狀態下最好或最優（即最有利）的選擇（注意：是當前狀態下），從而希望導致結果是最好或最優的演算法。貪婪演算法最經典的一個例子就是哈夫曼編碼。

對於人類來說，一般人在行為處事的時候都會使用到貪婪演算法，

• 比如在找零錢的時候，如果要找補36元，我們一般會按這樣的順序找錢：20元，10元，5元，1元。

• 或者我們在過十字路口的時候，要從到對角線的那個街區時，我們也會使用貪婪演算法——哪邊的綠燈先亮了我們就先過到那邊去，然後再轉身90度等紅燈再過街。

這樣的例子有很多。對於選擇中，大多數人都會選用貪婪演算法，因為這是一個比較簡單的演算法，未來太複雜了，只能走一步看一步，在當前的狀況下做出最利於自己的判斷和選擇即可。

有的人會貪婪薪水，有的人會貪婪做的專案，有的人會貪婪業務，有的人會貪婪職位，有的人會貪婪自己的興趣……這些都沒什麼問題。貪婪演算法並沒有錯，雖然不是全域性最優解，但其可以讓你找到區域性最優解或是次優解。其實，有次優解也不錯了。貪婪演算法基本上是一種急功近利的演算法，但是並不代表這種演算法不好，如果貪婪的是一種長遠和持續，又未嘗不可呢？。

動態規劃

但是我們知道，對於大部分的問題，貪婪法通常都不能找出最優解，因為他們一般沒有測試所有可能的解。因為貪婪演算法是一種短視的行為，只會跟據當前的形式做判斷，也就是過早做決定，因而沒法達到最佳解。

動態規劃和貪婪演算法的最大不同是，貪婪演算法做出選擇，不能回退。動態規劃則會儲存以前的運算結果，並根據以前的結果對當前進行選擇，有回退功能。

動態規劃演算法至少告訴我們兩個事：

1）承前啟後非常重要，當你準備去做遍歷的時候，你的上次的經歷不但能開啟你以後的經歷，而且還能為後面的經歷所用。你的每一步都沒有浪費。

2）是否可以回退也很重要。這意思是——如果你面前有兩個選擇，一個是A公司一個是B公司，如果今天你錯失了B公司，那到你明天還能不能找回來？

比如說：你有兩個offer，一個是Yahoo，一個是Baidu，上述的第一點會讓我們思考，Yahoo和Baidu誰能給我們開啟更大的平臺？ 上述的第二點告訴我們，是進入Yahoo後如果沒有選好，是否還能回退到Baidu公司？還是進入Baidu公司後能容易回退到Yahoo公司？

Dijkstra最短路徑

最短路徑是一個Greedy + DP的演算法。相當經典。這個演算法的大意如下：

1）在初始化的時候，所有的結點都和我是無窮大，預設是達不到的。

2）從離自己最近的結點開始貪婪。

3）走過去，看看又能到達什麼樣的結點，計算並更新到所有目標點的距離。

4）再貪婪與原點最短的結點，如此反覆。

這個演算法給我們帶來了一些這樣的啟示：

• 有朋友和我說過他想成為一個架構師，或是某技術領域的專家，並會踏踏實實的向這個目標前進，永不放棄。我還是鼓勵了他，但我也告訴他了這個著名的演算法，我說，這個演算法告訴你，架構師或某領域的專家對你來說目前的距離是無窮大，他們放在心中，先看看你能夠得著的東西。所謂踏實，並不是踏踏實實追求你的目標，而是踏踏實實把你夠得著看得見的就在身邊的東西幹好。我還記得我剛參加工作，從老家出來的時候，從來沒有想過要成為一個技術牛人，也從來沒有想過我的部落格會那麼的有影響力，在做自己力所能及，看得見摸得著的事情，我就看見什麼技術就學什麼，學著學著就知道怎麼學更輕鬆，怎麼學更紮實，這也許就是我的最短路徑。

• 有很多朋友問我要不要學C++，或是問我學Python還是學Ruby，是不是不用學前端，等等。這些朋友告訴我，他們不可能學習多個語言，學了 不用也就忘了，而且術業有專攻。這並沒有什麼不對的，只是我個人覺得，學習一個東西沒有必要只有兩種狀態，一種是不學，另一種是精通。瞭解一個技術其實花 不了多少時間，我學C++的目的其實是為了更懂Java，學TCP/IP協議其實是為了更懂Socket程式設計，很多東西都是連通和相輔相成的，學好了C /C++/Unix/TCP等這些基礎技術後，我發現到達別的技術路徑一下縮短了（這就是為什麼我用兩天時間就可以瞭解Go語言的原因）。這就好像這個演算法一樣，演算法效率不高，也許達到你的目標，你在一開始花了很長時間，遍歷了很多地方，但是，這也許這就是你的最短路徑。

演算法就是Trade-Off

你根本沒有辦法能得到所有你想得到的東西，任何的選擇都意味著放棄——當你要去獲得一個東西的時候，你總是需要放棄一些東西。人生本來就是一個蹺蹺板，一頭上，另一頭必然下。這和我們做軟體設計或演算法設計一樣，用時間換空間，用空間換時間，還有CAP理論，總是有很多的Trade-Off，正如這個短語的原意一樣——你總是要用某種東西去交易某種東西。

我們都在用某種東西在交易我們的未來，有的人用自己的努力，有的人用自己的思考，有的人用自己的年輕，有的人用自己的自由，有的人用自己的價值觀， 有的人用自己的道德…… …… 有的人在交換金錢，有的人在交換眼界，有的人在交換經歷，有的人在交換地位，有的人在交換能力，有的人在交換自由，有的人在交換興趣，有的人在交換虛榮 心，在交換安逸享樂…… ……

每個人有每個人的演算法，每個演算法都有每個演算法的purpose，就算大家在用同樣的演算法，但是每個人演算法中的那些變數、開關和條件 都不一樣，得到的結果也不一樣。我們就是生活在Matrix裡的一段程式，我們每個人的演算法決定著我們每個人的選擇，我們的選擇決定了我們的人生。

原文轉載：《程式演算法與人生選擇》http://coolshell.cn/articles/8790.html