你有找東西的經驗嗎？找書、找衣服、找信件、找聯絡人，通常什麼是最難找的呢，如果沒有事先沒有透過好的分類、好的收納或好的管理，可能會在找東西時找的很辛苦 XD
另外申請一些網路服務的時候，像是會員申請或是會員登入時，系統可以快速辨別此用戶是否已經註冊過，或是登入時的帳號密碼是否輸入正確，想像看看在登入 Facebook 時，系統是如果在 30 億的用戶中，快速搜尋到我們的帳戶資料的呢
搜尋 Search
分類 內部搜尋 (Internal Searching) 若資料量很小，則可將所有資料載入記憶體進行搜尋，就像是我們要找鉛筆盒裡面的筆，可以將筆通通掏出來放自己的桌上慢慢找
外部搜尋 (External Searching) 若資料量大，就無法將資料載入到記憶體，記憶體會爆滿，這時候需要使用其他的輔助記憶體來協助，像是硬碟，就像是公司本部已經沒有足夠的空間存放資料，就只能在外面買新的地或租用外部倉庫
靜態搜尋 (Static Searching) 在搜尋過程中，資料是*固定*的，可以預知資料的內容，並不會出現新增或刪除的現象，例如：我們要找某一篇報紙上的英文文章，其中英文字母 A 總共出現幾次，而這篇文章在印刷之後是不會改變的，我們不用擔心在搜尋過程中，會有搜尋錯誤的問題
動態搜尋 (Dynamic Searching) 在搜尋過程中，資料是*不固定*的，可能會出現新增或刪除的變動，例如：在圖書館借書時，雖然在家有事先查過想借的書還在圖書館內，但再前往圖書館或在找書的過程中，很有可能隨時會被其他人借走
- 循序搜尋法 (Sequential Search) / 線性搜尋法 (Linear Search)
- 二元搜尋法 (Binary Search) / 二分搜尋 (Half-Interval Search)
- 內插搜尋法 (Interpolation Search) / 插補搜尋法
- 費式搜尋法 (Fibonacci Search) / 費伯那搜尋法
內插搜尋法又稱插補搜尋法，主要是針對已排序的資料進行搜尋，算是二分搜尋法的改良版本，二分法會先找中間值，但內插搜尋法會透過斜率公式初步估算資料可能出現在哪個的位置，很像在一個範圍內插入一個可能的位置，並逐漸<mark>縮小</mark>搜尋範圍
你有欣賞過花朵嗎？有沒有注意到，有些花的花瓣大多是 3 瓣或 5 瓣，也有 8 瓣或 13 瓣，為什麼會這些數字這麼常出現呢？似乎是大自然的一種法則
或是某些建築例會呈現
黃金比例，其實都是費氏級數的呈現
跟內插搜尋法一樣會透過某個公式來限縮搜尋範圍，內插搜尋法是透過斜率公式，而費式搜尋法是使用費式級數來分割，
費式樹
- 特性
- 費氏樹的左右子樹皆為費氏樹
- 父節點與子節點的
相差值會等於某一個費氏數值 左節點的數值會小於父節點右節點的數值會大於等於父節點
圖形（樹也是圖的一種）也有搜尋演算法可以使用，例如深度優先搜尋法與廣度深度優先搜尋法
你在超市購物時，都是怎麼選購貨架上的物品？是使用左右掃射，還是上下掃瞄呢？哪一種方式可以最快找到你想買的東西呢？
你玩過迷宮嗎？這是個很考驗運氣、耐性、智慧與勇氣的遊戲，從起點走到終點，會出現很多路徑，面臨多條路徑的選擇時，常常會出現選擇障礙，因為如果選錯可能就會走回頭路，你會怎麼決定你的策略呢？
不管是哪一種，都很有可能走得頭昏眼花、四肢不聽使喚，最後還不見得能順利過關 XD，不知道你有沒有聽過一種可以快速破解迷宮的方法，叫做沿牆走，不過只適用於某些類型的迷宮，最土法煉鋼的方式就是勇敢嘗試，試到最後面一定會找到出口，只怕時間不夠或是你已經感到心疲力竭先放棄了，那要怎麼預防迷路呢？可以學習童話故事中丟麵包屑的方式，讓自己清楚知道要注意哪些路徑？
深度優先搜尋法 Depth-first Search
如果要找 A 走到 G 的路徑，請找一個與 A 相鄰的點且沒有走過的點，重覆以下兩個動作直到找到目標點或所有點都被走過為止。
只是要特別注意的是走訪過的節點不能再度走訪，所以使用堆疊後進先出的特性來記錄還沒有走過的節點
例如從節點 1 走到節點 6，如果這是一個迷宮，使用深度搜尋實際走的樣子會長這樣
由上圖可發現，廣度優先會往同一層搜尋，直到找不到未走過節點時，才會往下一層找沒有走過的節點，搜尋順序為：1、2、3、4、5、6、7
** 戴克斯特拉演算法求最短路徑**
你有自己規劃行程的經驗嗎？如果朋友住在台中住在想去花蓮旅遊，那麼你會怎麼建議行程呢？是建議從南投走橫貫公路，還是從繞到台北宜蘭，還是打開 googe map 直接看哪個路徑比較短，或是花費的時間比較少，由下圖可以看到 google map 推薦路程時間最少的 (走往台北的路徑)，而不是距離最短的路徑 (走往南投的路徑)
如果僅以邊作為挑選路徑的考量，也就是圖形中 A 點到 B 點經過幾個邊，可以使用昨天介紹的廣度或深度演算法，但如果加上時間的考量，則廣度搜尋演算法的結果並不一定會等於戴克斯特拉演算法的結果
