分解问题

  我们常被一些工作的复杂性所吓倒,但你是否尝过,将这个吓倒了你的大问题,分解成一个个小问题解决呢?因为分解后,每个小问题解决起来轻而易举,你就可以“各个击破”了。

  在一家钟表制造工厂里,一只新组装好的小钟刚刚出行。它惊喜地看着这个世界,却不知道自己的工作是什么,于是他就去问两个已经工作了三年的钟表:“我的工作是什么?你们能告诉我吗?”
其中一只钟表看他个子那么小,就说:“你这个小个子,我看,你走完三千二百万次以后,恐怕便吃不消了。”

  “三千二百万次?”小钟表非常吃惊,“要走这么多次?看来我是办不到了!”

  另外的钟表对小钟表说:“别信他说的话,这并不是什么难事,你只要每秒滴答摆一下就行了。”

  “这么容易?”小钟表将信将疑。“如果这样,我就试试吧。”

  小钟很轻松地每秒钟“滴答”摆一下,不知不觉中,一年过去了,它摆了三千二百万次。

  有的时候,当你面前有很多任务要完成的时候,面对看似艰难的任务,不要害怕,你只需要专注眼前的每一步,循序渐进地一点一点地完成你的任务。

  害怕只能让你驻足不胶,在效率至上的当今社会,驻足不前就意味着没有效率,那么你的位置就会受到威胁。每向前一点就是向成功迈进了一点,不要小看这一点,只要你一直坚持,当你回头看的时候,你会发现你已经走过了很多的路。而这些路在你决定一点一点做之前看起来是那么的遥远,现在居然在不经意间走完了。

  尽管高效率的要求就是在最短的时间里实现最大的价值,但是,并不是每一件事都是这样的,有些事必须一点一点地完成,快不得,急不得。

  有些事看起来遥不可及,但只要你去做,迟早会发现它伸手可及。之所以不敢向前走,是因为你的懒惰情绪和没有自信心。这些想法让你怀疑自己的能力,站在原地不敢行动。如果你一直在那里站着,过了一段时间,你会发现别人都走到你的前面去了。

  你可能会问:“他们是怎么做到的呢?是不是有什么简洁的方法,或者有什么捷径?”答案是:“什么也没有!只不是一步一步地向前走而已。”

  当你遇到看起来不可能完成任务时,不要退却,不要担心,只要你想想上面那只小钟表,坚定地走好生活中的每一步。有时候,在你没有信心的时候,把眼光放近一些,不要去看或者去想以后的事,以后的事放在以后在说,现在要做的就是把握现在,做好眼下的每一件事。

  大事都是从小事一点点做走来的,从细微处着手,最后你才能把握全局!认真走好每一步,积累每一个来之不易的成果,把它们聚集在一起,你会发现,原来没有什么任务是不可能完成的,只不过实现的时间有长有短而已。尽管经历的过程漫长,但是只要你最后成功了,在人们眼里,你仍然是高效能人士。

  约翰?冯?诺伊曼是20世纪最杰出的数学家之一,他在纯粹数学和应用数学方面都有卓越的贡献。1954年,约翰?冯?诺伊曼被美国任命为美国原子能委员会成员。他多年的老朋友斯特劳斯是这样评价他为该委员会服务的情况的:

  “从他被任命到1955年秋,约翰干得很漂亮。他有一种使人望尘莫及的能力,最困难的问题到他手里,都会被一件一件盾起来十分简单的事情,而我们所有的人都奇怪为什么自己不能像他那样清楚地看透问题的答案。用这种方法,他大大地促进了原子能委员会的工作。”

  把看似“无法解决”的问题,分解成一个个易于解决的小问题,这确实是一种令人赞叹的天赋。我们工作中的问题,也常常是错综复杂的,我们很难将问题一下子完美解决。这时,我们就可以尝试将问题分解,这样无缘毫无头绪地寻找一个“一蹴而就”的方法要实际和有效得多。

  1983年,伯林?汉姆徒手登上纽约帝国大厦,在创造了吉尼斯纪录的同时,也赢得了“蜘蛛人”的称号。

  美国恐高症康复协会得知这一消息后,致电“蜘蛛人”汉姆,打算聘请他做康复协会的心理顾问,因为在美国,有数万人患有恐高症,他们被这种疾病困扰着,有的甚至不敢站在椅子上换一只灯泡。

  伯森?汉姆接到聘书后,先是打电话给协会主席诺曼斯,要他查一查他们协会里的第1042号会员的情况。这位会员的资料很快就被调了出来,他的名字叫伯森?汉姆!原来,这位创造了吉尼斯纪录的高楼攀登者,本身就是一位恐高症患者。

  诺曼斯对此大为惊讶。一个站在一楼阳台上都会心跳加快的人,竟然能徒手攀上300多米高的大楼,这确实是个令人费解的谜,他决定亲自去拜访一个伯森?汉姆。

  诺曼斯来到费城郊外汉姆的住所。这儿下在举行一个庆祝会,十几名记者正围着一位老太太拍照采访。原来伯森?汉姆94岁的曾祖母听说汉姆创造了吉尼斯纪录,特意众100公里外的葛拉斯堡罗徒步赶来,她想以这一行动为汉姆的纪录添彩。谁知这一异想天开的想法,无意间竟创造了一个94岁老人徒步行走的纪录。

  《纽约时报》的一位记者问他:“当你打算徒步而来的时候,你是否因年龄关系而动摇过?”

  老太太神采奕奕地笑了:“小伙子,打算一口气跑100公里也许需要勇气,但是走一步路是不需要勇气的,只要你走一步、接着再走一步、然后一步一步,100公里也就走完了。”

  诺曼期趁着这个机会,赶忙问伯森?汉姆:“你攀登高楼的诀窍是什么?”

  伯森?汉姆看着自己的曾祖母说:“我和曾祖母一样,虽然我害怕300多米高的大厦,但我并不恐惧一步的高度。所以,我战胜的只是无数个‘一步’而已。”

  在我们的工作中,也有许多通过将问题分解,然后一一解答,从而解决了一个大问题的实例。例如编写一个计算机软件程序,这个软件可能要有非常巨大的功能,但是再强大的软件都是通过一个个小程序编写来实现的。

  罗马城不是一夜造成的,而是一天一天地逐步修建成功。我们也许没有能力一次就取得一个大成功,但我们可以积累无数个小成功。那些看似无法解决的困难,被分解之后,解决起来就轻而易举了。解决问题也是如此,有耐心,从局部问题入手,不知不觉中你会发现,全局问题已经被解决了。从局部问题入手,将大问题分解成小问题,这一原则可以应用到任意一个地方。(摘自《成为企业最需要的人》)

时间: 2024-10-09 16:26:38

分解问题的相关文章

codevs 2549 自然数和分解

时间限制: 1 s 空间限制: 32000 KB 题目等级 : 白银 Silver 题目描述 Description 把自然数N分解为若干个自然数之和,输出方案数. 输入描述 Input Description N,(1≤n≤50) 输出描述 Output Description 方案数 样例输入 Sample Input 5 样例输出 Sample Output 7 数据范围及提示 Data Size & Hint 5 可分为 1 1 1 1 11 1 1 21 1 31 2 21 42 35

【BZOJ2227】【ZJOI2011】看电影 [组合数学][质因数分解]

看电影 Time Limit: 10 Sec  Memory Limit: 259 MB[Submit][Status][Discuss] Description 到了难得的假期,小白班上组织大家去看电影.但由于假期里看电影的人太多,很难做到让全班看上同一场电影,最后大家在一个偏僻的小胡同里找到了一家电影院.但这家电影院分配座位的方式很特殊,具体方式如下: 1. 电影院的座位共有K个,并被标号为1…K,每个人买完票后会被随机指定一个座位,具体来说是从1…K中等可能的随机选取一个正整数,设其为L.

51nod round3# 序列分解(折半枚举+字典树)

小刀和大刀是双胞胎兄弟.今天他们玩一个有意思的游戏. 大刀给小刀准备了一个长度为n的整数序列.小刀试着把这个序列分解成两个长度为n/2的子序列. 这两个子序列必须满足以下两个条件: 1.他们不能相互重叠. 2.他们要完全一样. 如果小刀可以分解成功,大刀会给小刀一些糖果. 然而这个问题对于小刀来说太难了.他想请你来帮忙. Input 第一行给出一个T,表示T组数据.(1<=T<=5) 接下来每一组数据,输入共2行. 第一行包含一个整数n (2<=n<=40且为偶数). 第二行给出n

使用GPC分解多边形样例(Generic Polygon Clipper)

使用GPC分解多边形 (Owed by: 春夜喜雨 http://blog.csdn.net/chunyexiyu 转载请标明来源) GPC: Generic Polygon Clipper GPC支持分解多边形.多边形求差集.交集,异或.并集 GPC_DIFF,                         /* Difference                        */ GPC_INT,                          /* Intersection    

light oj 1236 【大数分解】

给定一个大数,分解质因数,每个质因子的个数为e1,e2,e3,--em, 则结果为((1+2*e1)*(1+2*e2)--(1+2*em)+1)/2. //light oj 1236 大数分解素因子 #include <stdio.h> #include <iostream> #include <string.h> #include <algorithm> #include <math.h> #include <ctype.h> #i

分层数据表示模型--多层非负矩阵分解

1 简介 为了理解复杂的数据,人们提出了分层特征提取概念.著名的算法之一是2006年Hinton提出的Deep Belief Network(DBN).随着训练深层结构的成功,人们又提出了许多深度学习的变体.尽管这些多层算法产生了多层方法在特征提取和提供对复杂问题的有效方法,但并没有告诉我们通过多层结构学到的特征之间的关系. 本文我们提出了一个分层数据表示模型,分多层的非负矩阵分解.我们提供了NMF算法的一个变体,nsNMF来进行分层学习.这里,我们通过在数据集上学习层之间的关系直观的展示特征分

分解质因数模板

/*==================================================*| 分解质因数,可能有些地方需要改为long long \*==================================================*/ const int MAXN=100010; int prm[MAXN+1]; bool is[MAXN+1]; int getprm(int n){ int i, j, k = 0; int s, e = (int)(sqrt

C语言之基本算法34—分解质因数(方法一)

//矩阵基础 /* ================================================================== 题目:输入一个正整数.将其分解为质因式,如:60=2*2*3*5:若本身是质数,则输出 如:307是一个质数! ================================================================== */ #include<stdio.h> void main() { int n,m,c,i,k,

OpenStack 实现技术分解 (5) 应用开发 — 使用 OpenStackClients 进行二次开发

目录 目录 前文列表 参考阅读 前言 OpenStackClients 使用 OpenStackClients 获取 project_client object 的 demo 调用 project_client object 实例方法实现对 project 操作的 demo 最后 前文列表 OpenStack 实现技术分解 (1) 开发环境 - Devstack 部署案例详解 OpenStack 实现技术分解 (2) 虚拟机初始化工具 - Cloud-Init & metadata & u

(转)机器学习之SVD分解

一.SVD奇异值分解的定义 假设是一个的矩阵,如果存在一个分解: 其中为的酉矩阵,为的半正定对角矩阵,为的共轭转置矩阵,且为的酉矩阵.这样的分解称为的奇异值分解,对角线上的元素称为奇异值,称为左奇异矩阵,称为右奇异矩阵. 二.SVD奇异值分解与特征值分解的关系 特征值分解与SVD奇异值分解的目的都是提取一个矩阵最重要的特征.然而,特征值分解只适用于方阵,而SVD奇异值分解适用于任意的矩阵,不一定是方阵. 这里,和是方阵,和为单位矩阵,为的特征向量,为的特征向量.和的特征值为的奇异值的平方. 三.