線形探索法

データの先頭から順に1つずつ目的の値と比較して探索するアルゴリズム。実装が簡単だが、データ量に比例して探索時間が増加するため、大量のデータには不向きである。

データを先頭から順に目的の値と比較していく探索アルゴリズム。計算量はO(n)。データが整列されていなくても使用できるが、データ数が多い場合は非効率。逐次探索とも呼ばれる。

データの列を先頭から順に1つずつ調べて、目的のデータを探す方法。データが整列されていなくても使えるが、比較の回数は平均でn/2回、計算量はO(n)で、データが多いと時間がかかる。

ハイパーパラメータの探索で、指定した範囲や分布から値の組合せを無作為に選び、決めた回数だけ試して最もよいものを選ぶ方法。性能に効くハイパーパラメータが一部に限られる場合、同じ試行回数でもグリッドサーチより効率よくよい値を見つけやすい。試行回数で計算コストを管理できる。

推論の途中の考え（思考）を木構造で扱い、各段階で複数の候補を生成して見込みを評価し、有望なものを探索して行き詰まれば別の枝に戻る手法。1本の道筋で考えるCoTに比べ、試行錯誤や先読みが必要なパズルや計画の問題で正答率が上がるが、多くの候補を生成・評価するので計算の費用がかさむ。

整列済みのデータで、探索範囲の中央の値と目的の値を比較し、目的の値がある側の半分に範囲を絞ることを繰り返す探索の方法。1回の比較で範囲が半分になるので、データ数nに対する最大の比較回数は約log₂n回で、計算量はO(log n)である。データが整列している必要があり、追加・削除が多いデータでは整列を保つ費用がかかる。

ハッシュ関数を用いてキーからデータの格納位置を直接計算して探索するアルゴリズム。平均計算量はO(1)で非常に高速。衝突が多発すると性能が低下する。

問題を解くための手順を、有限個の明確な操作の組合せとして定めたもの。同じ問題でも手順によって処理時間や必要な記憶領域が異なるため、計算量（オーダー記法）で効率を比べる。整列や探索などの代表的なアルゴリズムがあり、流れ図や擬似言語で表す。なお、アルゴリズム（解法）そのものは著作権法の保護の対象にならない。