الگوریتم به زبان ساده چیست؟ — انواع الگوریتم و کاربرد آن

در این مقاله قصد داریم در مورد الگوریتم به زبان ساده چیست؟ صحبت کنیم. الگوریتم «Algorithm» مجموعه‌ای از دستورالعمل‌ها یا مراحل است که برای حل یک مسئله «Problem» یا انجام یک وظیفه خاص طراحی شده است. به عنوان مثال، یک دستورالعمل ساده برای درست کردن یک غذای خاص را می‌توان به عنوان الگوریتم در نظر گرفت. الگوریتم‌ها در دنیای برنامه‌نویسی و کامپیوتر بسیار اهمیت دارند و به برنامه‌ها کمک می‌کنند تا وظایف پیچیده را به شکل مؤثری انجام دهند. مجله پی استور می‌تواند منبع خوبی برای یادگیری بیشتر در مورد انواع مختلف الگوریتم‌ها و کاربردهای آن‌ها باشد پس با ما همراه باشید.

الگوریتم چیست؟

در توضیح الگوریتم به زبان ساده می‌توان گفت؛ الگوریتم مجموعه‌ای از گام‌ها یا دستورالعمل‌های منظم و مشخص است که به منظور حل یک مسئله یا انجام یک وظیفه خاص طراحی شده‌اند. مانند راهنمایی‌های دقیق برای رسیدن به مقصدی خاص، الگوریتم‌ها نیز به ما کمک می‌کنند تا با دنبال کردن مراحل مشخص، به نتایج مطلوبمان برسیم. این دستورالعمل‌ها می‌توانند در زندگی روزمره، مانند دستور پخت غذا، و یا در دنیای کامپیوتر و برنامه‌نویسی برای انجام فرآیندهای پیچیده‌تر مانند مرتب‌سازی داده‌ها یا جستجوهای آنلاین به کار روند. هدف اصلی الگوریتم‌ها ساده‌سازی و خودکارسازی فرآیندهایی است که ممکن است برای انسان پیچیده یا وقت‌گیر باشند.

الگوریتم‌ها چطور کار می‌کنند؟

الگوریتم‌ها با پیروی از مجموعه‌ای دستورالعمل یا قوانین برای تکمیل یک کار یا حل یک مسئله کار می‌کنند. این دستورالعمل‌ها را می‌توان به صورت زبان‌های طبیعی، زبان‌های برنامه‌نویسی، شبه‌کد، فلوچارت‌ها و جداول کنترلی بیان کرد. بیان الگوریتم‌ها به زبان‌های طبیعی کمتر رایج است، زیرا ابهام بیشتری دارند. زبان‌های برنامه‌نویسی معمولاً برای بیان الگوریتم‌هایی که توسط کامپیوتر اجرا می‌شوند، استفاده می‌شوند.

انواع مختلف الگوریتم

انواع مختلفی از الگوریتم‌ها وجود دارد که هر کدام برای انجام وظایف خاصی طراحی شده‌اند:

الگوریتم رمزنگاری (Cryptographic Algorithms)

الگوریتم‌های رمزنگاری (Cryptographic Algorithms) مجموعه‌ای از روش‌ها و قواعد ریاضی هستند که برای حفظ امنیت اطلاعات از طریق رمزگذاری (Encryption) و رمزگشایی (Decryption) طراحی شده‌اند. این الگوریتم‌ها داده‌ها را به شکلی ناخوانا تبدیل می‌کنند تا فقط افراد مجاز بتوانند به آن‌ها دسترسی پیدا کنند. به دو دسته اصلی رمزنگاری متقارن (مانند AES) و رمزنگاری نامتقارن (مانند RSA) تقسیم می‌شوند. الگوریتم‌های رمزنگاری در امنیت شبکه، پیام‌رسانی، سامانه‌های پرداخت و احراز هویت استفاده می‌شوند و نقش مهمی در حفظ حریم خصوصی و مقابله با دسترسی غیرمجاز دارند.

برای اطلاعات بیشتر در مورد انواع الگوریتم های رمزنگاری می توانید مقاله زیر را مطالعه فرمایید:

الگوریتم حریصانه (Greedy algorithm)

الگوریتم حریصانه (Greedy Algorithm) یک تکنیک حل مسأله است که در آن در هر مرحله از اجرا، تصمیمی انتخاب می‌شود که به نظر بهترین گزینه در آن لحظه است، بدون اینکه از عواقب آینده آن آگاه باشد. این الگوریتم‌ها به جای جستجوی تمام راه‌حل‌های ممکن، سعی می‌کنند به‌طور تدریجی و با گرفتن انتخاب‌های محلی بهینه، به یک راه‌حل کلی بهینه برسند. الگوریتم‌های حریصانه در بسیاری از مسائل بهینه‌سازی مانند مسئله کوله‌پشتی، انتخاب فعالیت‌ها و درخت‌های پوشا مینیمم (Minimum Spanning Trees) به کار می‌روند. اگرچه الگوریتم‌های حریصانه همیشه به راه‌حل بهینه نخواهند رسید، اما در موارد زیادی هم کارایی بالایی دارند و ساده‌سازی قابل توجهی ارائه می‌دهند.

الگوریتم تقسیم و حل (Divide and Conquer)

الگوریتم تقسیم و حل (Divide and Conquer) یک استراتژی طراحی الگوریتم است که در آن یک مسأله بزرگ به طور مکرر به زیرمسائل کوچکتر تقسیم می‌شود تا حل آن ساده‌تر شود. این زیرمسائل به طور مستقل حل می‌شوند و سپس راه‌حل‌های آن‌ها برای تشکیل راه‌حل نهایی ترکیب می‌شوند. الگوریتم‌های معروفی مانند مرتب‌سازی سریع (Quick Sort)، مرتب‌سازی ادغامی (Merge Sort) و جستجوی دودویی (Binary Search) از این تکنیک بهره می‌برند. روش تقسیم و حل معمولاً کارایی بالایی دارد و زمان اجرای آن‌ها معمولاً به صورت لگاریتمی یا چندجمله‌ای کاهش می‌یابد، که آن‌ها را برای حل مسائل بزرگ و پیچیده بسیار مناسب می‌سازد.

الگوریتم تصادفی (Randomized Algorithm)

الگوریتم‌های تصادفی (Randomized Algorithms) دسته‌ای از الگوریتم‌ها هستند که از اعداد یا تصمیمات تصادفی در مراحل اجرای خود استفاده می‌کنند. این الگوریتم‌ها اغلب برای حل مسائل پیچیده، کاهش زمان اجرا یا بهبود عملکرد به‌کار می‌روند. نتایج آن‌ها ممکن است قطعی یا احتمالی باشد؛ به‌گونه‌ای که راه‌حل به‌دست‌آمده تضمین‌شده یا فقط با احتمال بالا درست باشد. مثال‌هایی از این الگوریتم‌ها شامل الگوریتم مونت‌کارلو، الگوریتم لاس‌وگاس و روش‌های جستجوی تصادفی است که در کاربردهایی مانند یادگیری ماشین و شبیه‌سازی به‌کار می‌روند.

الگوریتم مرتب‌سازی (Sorting Algorithm)

الگوریتم‌های مرتب‌سازی (Sorting) برای سامان‌دهی عناصر یک مجموعه (مانند لیست یا آرایه) به ترتیب صعودی یا نزولی به‌کار می‌روند. این الگوریتم‌ها بر اساس روش کار به انواع مختلفی مانند مرتب‌سازی حبابی (Bubble Sort)، مرتب‌سازی سریع (Quick Sort)، و مرتب‌سازی ادغامی (Merge Sort) تقسیم می‌شوند. هدف، بهبود دسترسی به داده‌ها یا آماده‌سازی آن‌ها برای پردازش‌های بعدی است. هر الگوریتم کارایی مشخصی دارد و بر حسب زمان اجرا (پیچیدگی زمانی) و میزان استفاده از حافظه انتخاب می‌شود.

 

الگوریتم بازگشت به عقب (Backtracking Algorithm)

الگوریتم بازگشت به عقب (Backtracking) یک روش سیستماتیک برای حل مسائل است که با جستجوی همه مسیرهای ممکن در فضای حالت، راه‌حل مناسب را پیدا می‌کند. این الگوریتم به صورت بازگشتی گزینه‌ها را انتخاب و آزمایش می‌کند؛ اگر انتخابی ناسازگار بود، به مسیر قبل بازمی‌گردد و مسیر جدیدی را امتحان می‌کند. این فرآیند تا یافتن راه‌حل یا رد تمام گزینه‌ها ادامه می‌یابد. نمونه‌هایی از کاربرد آن شامل مسئله نُه وزیر و حل سودوکو است.

الگوریتم برنامه‌ریزی پویا (Dynamic Programming)

الگوریتم برنامه‌ریزی پویا (Dynamic Programming) یک تکنیک بهینه‌سازی برای حل مسائل پیچیده است که می‌تواند به صورت بازگشتی تجزیه شود به زیرمسائل ساده‌تر که همپوشانی دارند. این الگوریتم با ذخیره‌سازی نتایج محاسبات قبلی در یک جدول یا ماتریس، از محاسبات تکراری جلوگیری می‌کند و به‌این‌ترتیب زمان اجرای برنامه را به‌طور قابل‌ملاحظه‌ای کاهش می‌دهد. الگوریتم برنامه‌ریزی پویا معمولاً در مسائل بهینه‌سازی مانند مشکل کوله‌پشتی، کمترین مسیر، و مسائل مربوط به توالی‌ها و رشته‌ها (مانند الگوریتم LCS) به‌کار می‌رود و به دلیل کارایی و توانایی در حل مسائل پیچیده، به‌ویژه در علوم کامپیوتر و ریاضی مورد توجه است.

مزایای الگوریتم‌

الگوریتم‌ها ابزارهایی کارآمد هستند که امکان پردازش سریع و دقیق داده‌ها را فراهم می‌کنند. آن‌ها به اتوماسیون فرآیندها و کشف الگوها کمک کرده و توانایی تکرار و تحلیل داده‌ها را دارند. این ویژگی‌ها باعث بهبود عملکرد و دقت در حل مسائل مختلف می‌شود. در ادامه به مزایای الگوریتم خواهیم پرداخت.

• کارآمدی و سرعت: الگوریتم‌ها می‌توانند فرایندها را سریع‌تر و با دقت بیشتری انجام دهند، به‌ویژه در پردازش داده‌های بزرگ و پیچیده.
• سازماندهی: ارائه یک سیستم منظم برای حل مسائل و انجام وظایف، که باعث بهبود بهره‌وری می‌شود.
• تکرارپذیری: الگوریتم‌ها می‌توانند به طور مرتب و یکسان تکرار شوند، که به نتیجه‌گیری‌های قابل پیش‌بینی و ثابت منجر می‌شود.
• کاهش خطا: با دنبال کردن یک روال مشخص، احتمال خطاهای انسانی کاهش می‌یابد، به ویژه در محاسبات و پردازش داده‌ها.
• قابلیت پیاده‌سازی: الگوریتم‌ها می‌توانند به راحتی در برنامه‌ها و نرم‌افزارها پیاده‌سازی شوند و به اتوماسیون کارها کمک کنند.

معایب الگوریتم

الگوریتم‌ها با وجود مزایای خود، معایبی هم دارند. برخی از آن‌ها ممکن است تنها به راه‌حل‌های محلی قانع شوند و بهینه‌ترین نتیجه را ارائه ندهند. همچنین، پیاده‌سازی و تحلیل الگوریتم‌ها می‌تواند پیچیده و زمان‌بر باشد و در برابر تغییرات داده‌ها انعطاف‌پذیری کافی نداشته باشند. در ادامه به معایب الگوریتم خواهیم پرداخت.

• پیچیدگی: برخی الگوریتم‌ها ممکن است بسیار پیچیده باشند و نیاز به درک عمیق‌تری از مفاهیم ریاضی و محاسبات داشته باشند.
• وابستگی به پارامترها: کارایی یک الگوریتم ممکن است به پارامترهای ورودی وابسته باشد و در شرایط نامساعد عملکرد خوبی نداشته باشد.
• عدم انعطاف‌پذیری: الگوریتم‌ها معمولاً برای یک نوع خاص از مسائل طراحی می‌شوند و ممکن است برای مسائل مشابه، ولی با جزئیات متفاوت، کارایی نداشته باشند.
• مصرف منابع: برخی الگوریتم‌ها ممکن است نیاز به منابع محاسباتی بالایی داشته باشند، که می‌تواند باعث افزایش هزینه‌ها شود.
• مشکلات اخلاقی و اجتماعی: در برخی موارد، تصمیم‌گیری‌های الگوهای الگوریتمی می‌تواند منجر به تبعیضات یا نتایج ناعادلانه شود (مثلاً در الگوریتم‌های جستجوی شغل).

کاربرد الگویتم چیست؟

الگوریتم‌ها مجموعه‌ای از دستورالعمل‌ها و قاعده‌ها هستند که برای حل مسائل مختلف مورد استفاده قرار می‌گیرند. این تکنیک‌ها در زمینه‌های گسترده‌ای از علوم کامپیوتر، ریاضیات و مهندسی گرفته تا اقتصاد، پزشکی و تحلیل داده‌ها کاربرد دارند. از طراحی نرم‌افزار و جستجوی اطلاعات تا بهینه‌سازی فرآیندها و تحلیل رفتار کاربران، الگوریتم‌ها نقش حیاتی در افزایش کارایی و دقت عملکردها ایفا می‌کنند. در ادامه به برخی از کاربردها اشاره خواهیم کرد.

۱- یادگیری ماشین و هوش مصنوعی

یادگیری ماشین شاخه‌ای از هوش مصنوعی است که به سیستم‌ها این امکان را می‌دهد تا بدون برنامه‌نویسی صریح، از داده‌ها یاد بگیرند و عملکرد خود را بهبود دهند. الگوریتم‌های یادگیری ماشین، برای شناسایی الگوها، پیش‌بینی نتایج و تصمیم‌گیری بر اساس داده‌های ورودی طراحی شده‌اند.

کاربرد‌ها:

• تصویربرداری پزشکی: الگوریتم‌هایی مانند شبکه‌های عصبی کانولوشنال (CNN) برای تشخیص بیماری‌ها از تصاویر پزشکی استفاده می‌شوند.
• شناسایی متن: الگوریتم‌های پردازش زبان طبیعی (NLP) برای تحلیل و فهم متون در رسانه‌ها، چت‌بات‌ها و خدمات مشتری استفاده می‌شوند.

 ۲- پردازش تصاویر و ویدیوها

الگوریتم‌ها برای تجزیه و تحلیل و پردازش تصاویر و ویدیوها نقش کلیدی دارند. این الگوریتم‌ها به پیاده‌سازی تکنیک‌های شناسایی چهره، تشخیص اشیاء، و اعمال فیلترهای مختلف روی تصاویر کمک می‌کنند.

کاربرد‌ها:

• شناسایی چهره: الگوریتم‌های شناسایی چهره برای امنیت و افزایش کارایی در سیستم‌های احراز هویت به کار می‌روند.
• خودروهای خودران: تکنیک‌های بینایی ماشین برای تشخیص موانع، علائم و مسیرها مورد استفاده قرار می‌گیرند.

 ۳- الگوریتم‌های جستجو

الگوریتم‌های جستجو برای یافتن اطلاعات خاص در مجموعه‌ای از داده‌ها طراحی شده‌اند. این الگوریتم‌ها می‌توانند شامل جستجوی خطی، دودویی و الگوریتم‌های پیشرفته‌تری مانند الگوریتم PageRank در موتورهای جستجو باشند.

کاربرد‌ها:

• موتورهای جستجو: مانند گوگل، که از الگوریتم‌های پیچیده برای ارائه نتایج مناسب بر اساس کلمات کلیدی جستجو شده استفاده می‌کند.
• پایگاه‌های داده: برای فیلتر کردن و بازیابی اطلاعات بر اساس پرس‌وجوهای خاص.

 ۴- سیستم‌های توصیه‌گر

این سیستم‌ها از الگوریتم‌ها برای تحلیل رفتار کاربران و پیشنهاد محصولات یا خدمات استفاده می‌کنند. سیستم‌های توصیه‌گر می‌توانند بر اساس تاریخچه جستجو، خرید و تعاملات قبلی کاربران عمل کنند.

کاربرد‌ها:

• صنعت سرگرمی: سرویس‌هایی مانند نتفلیکس و اسپاتیفای که فیلم‌ها و موسیقی‌ها را بر اساس سلیقه کاربران پیشنهاد می‌دهند.
• فروشگاه‌های آنلاین: مانند آمازون که پیشنهادهایی را برای محصولات بر اساس خریدهای قبلی و جستجوهای کاربران ارائه می‌دهد.

 ۵- کدگذاری و رمزنگاری

الگوریتم‌های رمزنگاری برای محافظت از داده‌ها و ارتباطات در برابر دسترسی غیرمجاز استفاده می‌شوند. این الگوریتم‌ها شامل تکنیک‌هایی برای رمزگذاری و رمزگشایی اطلاعات به منظور حفظ امنیت هستند.

کاربرد‌ها:

• تأمین امنیت وب: پروتکل HTTPS و SSL/TLS برای انتقال امن داده‌ها در اینترنت به کار می‌روند.
• احراز هویت: الگوریتم‌ها برای تأیید هویت کاربران و جلوگیری از جعل هویت استفاده می‌شوند، مانند الگوریتم‌های بیومتریک.

 ۶- بهینه‌سازی

الگوریتم‌های بهینه‌سازی برای پیدا کردن بهترین جواب ممکن در مسائل با محدودیت‌های مشخص استفاده می‌شوند. این الگوریتم‌ها می‌توانند به کاهش هزینه‌ها، زمان و منابع کمک کنند.

کاربرد‌ها:

• برنامه‌ریزی تولید: برای بهینه‌سازی فرایندهای تولید و توزیع در صنایع.
• مدیریت پروژه: الگوریتم‌های بهینه‌سازی برای تخصیص منابع در پروژه‌ها و تعیین اولویت‌ها به کار می‌روند.

نمونه هایی از الگوریتم های مورد استفاده در زندگی روزمره

در ادامه، چند نمونه از الگوریتم‌هایی را که در زندگی روزمره با آن‌ها سروکار داریم، مشاهده می‌کنید.

 دستور پخت غذا

دستورهای پخت، مجموعه‌ای از مراحل را برای رسیدن به هدفی خاص ارائه می‌دهند، مانند تهیه مافین بلوبری یا درست کردن سس اسپاگتی از صفر. هدف دستورهای پخت این است که نتایج یکسانی به دست بیاید و به افراد (صرف نظر از پیشینه آن‌ها) کمک کنند تا با دنبال کردن دستورالعمل‌های دقیق، غذای خاصی را تهیه کنند. به این ترتیب، دستورهای پخت مانند الگوریتم‌های علوم کامپیوتر هستند، که مراحلی را برای تولید نتایج تکرارپذیر مشخص می‌کنند.

بستن بند کفش

بستن بند کفش یک مثال دیگر از دنبال کردن یک الگوریتم است. برای بستن جوراب (بند کفش) به طور صحیح، مراحل مشخصی وجود دارد. این گره معمولاً به عنوان “گربه و خرگوش” یا “حلقه، چرخش و کشیدن” شناخته می‌شود.

شناسایی چهره

شناسایی چهره به طور گسترده‌ای در ورود به آیفون و همچنین در فیلترهای اسنپ‌چت و اینستاگرام استفاده می‌شود. این تکنولوژی با استفاده از یک الگوریتم، ویژگی‌های چهره را از یک عکس یا ویدیو به نقشه‌ای بیومتریک منتقل می‌کند. سپس برنامه به دنبال تطابق بین این نقشه و یک پایگاه داده از چهره‌ها می‌گردد تا هویت کاربر را تأیید کند. اما وقتی از شناسایی چهره برای فیلترهای اسنپ‌چت یا اینستاگرام استفاده می‌شود، نیازی به جستجوی پایگاه داده نیست؛ زیرا الگوریتم تنها یک نقشه از چهره ایجاد می‌کند و فیلتر را به آن اعمال می‌کند.

مرتب کردن اسناد و مدارک

مرتب کردن اسناد و مدارک یک مثال عالی از این است که چگونه الگوریتم‌ها می‌توانند برای کارهای مختلف استفاده شوند. مثلاً، مرتب کردن فایل‌ها بر اساس حروف الفبا، تعداد کلمات، تاریخ یا هر مشخصه دیگری. وقتی کسی اسناد شخصی یا کاری خود را بر اساس یک سری دستورالعمل مرتب می‌کند، در واقع از تفکر الگوریتمی برای ساده کردن فرایند سازماندهی استفاده می‌کند. یعنی با انجام کارهای کوچک و پشت سر هم، کار بزرگ مرتب‌سازی را انجام می‌دهد.

جستجوی کتاب در کتابخانه

پیدا کردن یک کتاب در کتابخانه مانند دنبال کردن یک الگوریتم یا یک برنامه گام به گام است. مثلاً، راه‌های مختلفی برای انجام این کار وجود دارد. می‌توانید از سیستم کامپیوتری کتابخانه استفاده کنید یا به دنبال برچسب‌های روی قفسه‌ها بگردید که ژانر، موضوع یا نویسنده کتاب را نشان می‌دهند. مهم نیست چه روشی را انتخاب می‌کنید، اگر بتوانید آن را توضیح دهید و دیگران هم بتوانند آن را انجام دهند، آن روش را می‌توان یک الگوریتم دانست.

تفاوت فلوچارت و الگوریتم

الگوریتم مجموعه‌ای از دستورالعمل‌ها برای حل مسئله است، در حالی که فلوچارت نمایش گرافیکی این دستورالعمل‌هاست. در ادامه به تفاوت‌های هر کدام اشاره می‌کنیم:

ویژگی	فلوچارت	الگوریتم
ماهیت	نمایش گرافیکی مراحل یک الگوریتم.	مجموعه‌ای از دستورالعمل‌های گام به گام برای حل یک مسئله خاص.
نحوه بیان	با استفاده از نمادهای استاندارد (مستطیل، لوزی و غیره) و فلش برای نشان دادن جریان کار.	با استفاده از زبان طبیعی، شبه کد یا زبان‌های برنامه‌نویسی.
خوانایی	عموماً درک آن برای افراد با سطوح مختلف دانش فنی آسان‌تر است.	ممکن است برای افراد غیر فنی به طور کامل قابل درک نباشد.
هدف	تسهیل درک و دنبال کردن مراحل اجرای یک الگوریتم.	ارائه یک راه حل منطقی و سیستماتیک برای یک مسئله.
کاربرد اصلی	برای نمایش بصری فرآیندها و کمک به فهم بهتر الگوریتم‌ها استفاده می‌شود.	به طراحی و توسعه منطق و ساختار کلی یک برنامه یا فرآیند کمک می‌کند.
جزئیات	بیشتر بر مراحل کلی تمرکز دارد و ممکن است جزئیات کمتری را نمایش دهد.	معمولاً شامل جزئیات بیشتری است که نحوه پیاده‌سازی را مشخص می‌کند.

چند نمونه الگوریتم ساده

حال که با مفهوم الگوریتم و کارکرد آن آشنا شده‌ایم، ضروری است تا برای درک بهتر، به بررسی مثال‌هایی بپردازیم. در ادامه، نمونه‌های متنوعی از الگوریتم‌ها را ارائه خواهیم داد.

مثال ۱: محاسبه مساحت یک مستطیل

• شروع.
• طول مستطیل را از کاربر دریافت کن و در متغیر طول ذخیره کن.
• عرض مستطیل را از کاربر دریافت کن و در متغیر عرض ذخیره کن.
• مساحت مستطیل را با ضرب کردن طول در عرض محاسبه کن و در متغیر مساحت ذخیره کن.
• مقدار مساحت را به کاربر نمایش بده.
• پایان.

مثال ۲: پیدا کردن بزرگترین عدد بین دو عدد

• شروع.
• دو عدد را از کاربر دریافت کن و در متغیرهای عدد۱ و عدد۲ ذخیره کن.
• اگر عدد۱ بزرگتر از عدد۲ باشد، عدد۱ را به عنوان بزرگترین عدد در متغیر بزرگترین ذخیره کن.
• در غیر این صورت، عدد۲ را به عنوان بزرگترین عدد در متغیر بزرگترین ذخیره کن.
• مقدار بزرگترین را به کاربر نمایش بده.
• پایان.

مثال ۳: چاپ یک پیام تبریک

• شروع.
• نام کاربر را از کاربر دریافت کن و در متغیر نام ذخیره کن.
• پیام تبریک “سلام، [نام]! خوش آمدید!” را ایجاد کن.
• پیام تبریک را به کاربر نمایش بده.
• پایان.

مثال ۴: محاسبه میانگین سه عدد

• شروع.
• سه عدد را از کاربر دریافت کن و در متغیرهای عدد۱، عدد۲ و عدد۳ ذخیره کن.
• مجموع سه عدد را محاسبه کن و در متغیر مجموع ذخیره کن.
• میانگین سه عدد را با تقسیم مجموع بر ۳ محاسبه کن و در متغیر میانگین ذخیره کن.
• مقدار میانگین را به کاربر نمایش بده.
• پایان.

مثال ۵: بررسی زوج یا فرد بودن یک عدد

• شروع.
• یک عدد را از کاربر دریافت کن و در متغیر عدد ذخیره کن.
• باقیمانده تقسیم عدد بر ۲ را محاسبه کن.
• اگر باقیمانده برابر با ۰ بود، پیام “عدد زوج است” را نمایش بده.
• در غیر این صورت، پیام “عدد فرد است” را نمایش بده.
• پایان.

سخن آخر

الگوریتم‌ها، قلب تپندهٔ حل مسائل در دنیای کامپیوتر و فراتر از آن هستند. آن‌ها به عنوان مجموعه‌ای دقیق و مرتب از دستورالعمل‌ها، راه حلی گام به گام برای رسیدن به هدف یا پاسخ مشخصی ارائه می‌دهند. الگوریتم‌ها نه‌تنها در برنامه‌نویسی کاربرد دارند، بلکه در بسیاری از جنبه‌های زندگی روزمره ما، از دستور پخت غذا گرفته تا مسیریابی با GPS، نقش کلیدی ایفا می‌کنند. ویژگی‌هایی همچون دقت، وضوح، و کارایی، الگوریتم‌ها را به ابزاری قدرتمند برای تبدیل مسائل پیچیده به فرآیندهای قابل مدیریت و قابل اجرا تبدیل کرده است.