被低估的“笨办法”：枚举与模拟才是算法思维的起点
看到一道算法题，你的第一反应是什么？翻书找公式？回忆某个“经典套路”？还是……直接硬着头皮试一遍？
如果你选最后一种，恭喜你，你其实已经在用编程里最古老也最可靠的两种思维方式了——枚举和模拟。它们不像动态规划那样高深，也不如二分查找那样精巧，但恰恰是这两个看似“笨”的办法，构成了算法思维的真正地基。不会枚举和模拟，你连“笨办法”都不会写，更别谈什么优化了。
枚举不是“暴力”，是“穷尽”
很多人管枚举叫暴力解法，我不太喜欢这个说法。暴力意味着不计后果地乱来，而枚举的核心是有策略地穷尽。你从000试到999试密码箱，这不是暴力，这是确定性——你最多试1000次，一定能打开。
水仙花数问题就是最典型的枚举：100到999，每个数字拆出百位、十位、个位，算一下立方和，判断一下是否相等。
for num in range(100, 1000):
a = num // 100 # 百位
b = (num // 10) % 10 # 十位
c = num % 10 # 个位
if a**3 + b**3 + c**3 == num:
print(num)
你发现没有，这段代码的三步其实对应着枚举的三种核心能力：确定搜索空间（100到999）、解析当前状态（拆数字）、判断目标条件（立方和相等）。所有枚举题都逃不出这三步。
但很多新手挂在第一步和第二步的交接处。比如拆数字的时候，(num // 10) % 10 写成 num // 10 % 10，虽然结果一样，但自己心里糊涂；再比如百位直接写 num // 100，搞不清为什么不是 num % 1000 // 100。本质上，你是在做一次“状态翻译”，把整数翻译成它每一个数位上的字符。翻译错了，后面的判断全白搭。
百钱百鸡那道题，考察的其实是搜索空间的裁剪。公鸡5文，母鸡3文，小鸡1文3只，100文买100只。如果你老老实实枚举100×100×100的组合，当然也能出结果，但那是1百万次循环。而经典解法是把空间缩小到公鸡020、母鸡033，然后小鸡数量直接用 100 - x - y 算出来。这里体现了一个枚举中的重要思想：能用约束消掉的维度，就不要去枚举它。
for x in range(0, 21): # 公鸡最多20只
for y in range(0, 34): # 母鸡最多33只
z = 100 - x - y
if 5*x + 3*y + z/3 == 100:
print(x, y, z)
你看，代码量没多多少，但复杂度从O(n³)降到了O(n²)。枚举不是无脑循环，它是在“有可能的范围”里找“有可能的答案”，只不过你把这个范围划得越精准，效率越高。
模拟不是“翻译”，是“建模”
如果说枚举是侦探，那么模拟就是演员。演员拿到剧本，不是逐字背诵台词，而是理解角色的处境，然后按照性格逻辑去行动。写模拟题也是一样：你读题目，先要在脑内建立起一个“过程模型”，然后用代码把这个模型跑起来。
猴子吃桃问题，很多人的第一反应是设未知数列方程。但方程是数学思维，程序员的思维应该是：既然题目给了最后一天的状态，那我直接倒着把过程“演”回去。
left = 1 # 第10天早上
for day in range(9, 0, -1):
left = (left + 1) * 2
第9天有 (1+1)*2 = 4 个，第8天有 (4+1)*2 = 10 个……9次循环之后，得到的1534就是答案。
这道题的“建模”关键在哪儿？在于把“吃了一半又多一个”这个动作反过来翻译成“加1再乘2”。如果你顺着题目的方向写代码，那就是 left = left/2 - 1，永远不会得到正确答案。模拟的第一步永远是把题目的规则翻译成反向的、可计算的操作，这一关过不了，后面循环写得再漂亮也没用。
约瑟夫环那道题，则把模拟的另一个难点暴露得很赤裸：状态更新。n=5，k=3，第一轮报数到3的人出列，索引是2，元素是3。这没啥争议，但如果你写代码的时候没意识到列表索引从0开始，或者忘了每次移除元素后列表长度变了、索引要重新计算，后面的结果就全乱了。
index = (index + k - 1) % len(queue)
result.append(queue.pop(index))
这两行代码，其实就是整个约瑟夫环模拟的核心。第一次运行：index = (0+3-1) % 5 = 2，弹出元素3。第二次运行：index = (2+3-1) % 4 = 0，弹出元素1。你以为是在“报数”，实际上是在“在一个不断变短的环里算偏移量”。这就是模拟题的本质——你要精确地追踪每一个变量的变化，一步都不能错。
枚举与模拟，其实是一体两面
很多人把枚举和模拟当成两种独立的题型，但在我看来，它们是一体两面的。枚举是在“时间上”遍历所有可能的状态，模拟是在“状态上”推进时间的演化。前者关心“有哪些可能”，后者关心“下一步发生了什么”。
一旦你看穿了这一点，你的编程思维会打开一扇门：很多看似复杂的搜索问题，本质上都是枚举+模拟的组合。迷宫寻路，是枚举方向；球的反弹轨迹，是模拟物理过程；甚至贪心算法、动态规划的朴素版本，在写成递归暴力之前，也是枚举所有决策路径，模拟所有可能结果之后才被总结出来的“优化方案”。
所以，别总觉得枚举和模拟是入门级的低级操作。恰恰相反，它们是所有算法的公共基础。你只有把“范围内的所有可能”想得够透，把“状态的每一步推进”算得够准，才有资格去谈剪枝、记忆化、状态压缩这些进阶技巧。地基不稳，楼层再花哨也只是纸糊的。
进阶的建议很简单：在学任何新算法之前，先问你两个问题——如果我不知道这个算法，我能不能用枚举解决？如果我要追踪这个过程，我需要多少变量才能精确描述它的状态？想清楚这两点，等你在未来遇到剪枝、分治、动态规划的时候，你会发现自己对“为什么这样优化”的理解，比别人深得多。