Algorithmen: Grundlagen und Effizienz

Ein einfacher Algorithmus

Um die größte Zahl in einer Liste zu finden, geht man sie einmal durch und merkt sich das bisher größte Element. Das ist ein Algorithmus — klar definiert, endlich, korrekt.

function maximum(zahlen) {
  let max = zahlen[0];
  for (const z of zahlen) {
    if (z > max) max = z;
  }
  return max;
}

Warum Effizienz zählt

Bei kleinen Datenmengen ist fast alles schnell. Bei Millionen Elementen entscheidet die Effizienz eines Algorithmus über Sekunden oder Stunden. Die O-Notation beschreibt, wie der Aufwand mit der Datenmenge wächst.

Suchen und Sortieren: die Klassiker

Zwei Aufgaben tauchen in fast jedem Programm auf: etwas finden und etwas ordnen. Sucht man in einer unsortierten Liste, bleibt nur, sie Element für Element durchzugehen — im schlechtesten Fall bis zum Ende (das ist O(n)). Ist die Liste dagegen sortiert, halbiert die binäre Suche den Bereich mit jedem Schritt und findet den Treffer viel schneller (O(log n)). Genau deshalb lohnt sich Sortieren: Es ist eine Vorarbeit, die alle späteren Suchen beschleunigt.

Die richtige Datenstruktur macht den Unterschied

Oft entscheidet nicht der clevere Algorithmus, sondern die passende Datenstruktur über die Geschwindigkeit. Muss man häufig prüfen, ob ein Element schon vorhanden ist, ist ein Set die richtige Wahl: Es antwortet praktisch sofort, während ein Array die gesamte Liste durchsuchen müsste. Braucht man schnellen Zugriff über einen Schlüssel, ist eine Map ideal. Die Kunst besteht darin, für das jeweilige Problem die Struktur zu wählen, die genau die häufigen Operationen billig macht.

Warum das auch Webentwickler betrifft

Man muss kein Informatikstudium haben, um von Algorithmen zu profitieren. Wer versteht, dass eine verschachtelte Schleife über eine wachsende Liste irgendwann zur Bremse wird, schreibt von Anfang an robusteren Code. In der Praxis heißt das: erst eine korrekte Lösung bauen, dann bei echten Engpässen messen und gezielt die richtige Datenstruktur oder ein besseres Verfahren einsetzen — statt vorschnell zu optimieren, wo es gar nicht nötig ist.

Rekursion: das Problem auf sich selbst zurückführen

Manche Aufgaben lösen sich am elegantesten, indem eine Funktion sich selbst mit einem kleineren Teilproblem aufruft. Um alle Dateien in einem Ordner samt Unterordnern zu zählen, behandelt man jeden Unterordner nach genau derselben Vorschrift wie den Hauptordner. Entscheidend ist der Abbruchfall: Ohne eine Bedingung, bei der die Funktion sich nicht mehr selbst aufruft, läuft der Aufrufspeicher voll und das Programm bricht ab. Jeder Aufruf belegt nämlich Platz auf dem sogenannten Stack, bis er beendet ist. Rekursion glänzt überall dort, wo Daten selbst verschachtelt sind — bei Ordnern, Kommentarbäumen oder verschachtelten Menüs.

Bewährte Lösungsstrategien

• Teile und herrsche: Das Problem in kleinere Teile zerlegen, diese lösen und die Ergebnisse zusammenführen — das Prinzip hinter binärer Suche und Merge Sort.
• Gierige Verfahren: In jedem Schritt die lokal beste Option wählen. Schnell und einfach, liefert aber nicht bei jedem Problem die insgesamt beste Lösung.
• Zwischenergebnisse merken: Schon berechnete Teilergebnisse speichern, statt sie erneut auszurechnen — spart bei rekursiven Verfahren oft dramatisch Zeit.
• Vorverarbeiten: Einmalig sortieren oder indexieren, damit alle folgenden Zugriffe billig werden.

Diese Muster muss man nicht auswendig beherrschen. Es genügt zu wissen, dass sie existieren — dann erkennt man bei einem neuen Problem, dass es einem bekannten ähnelt, und muss die Lösung nicht von Grund auf erfinden.