112 年 國立成功大學資訊管理研究所甲組《計算機概論》

本題主要考驗演算法、機器學習、資料結構與數值分析等計算機概論基礎概念。

1.1. 動態規劃（Dynamic Programming）解決 0/1 背包問題（0/1 Knapsack Problem）的時間複雜度通常是 $O(nW)$，其中 $n$ 是物品數量，$W$ 是背包的容量。如果背包容量 $W$ 可以非常大，那麼這個演算法就不是多項式時間。對於 $0/1$ 背包問題，若要達到多項式時間，通常需要將問題的參數定義為物品數量 $n$ 和背包容量 $W$。若將 $W$ 視為一個數值，則時間複雜度是 $O(nW)$。若題目指的是 $O(n)$ 的解，這通常是不正確的，除非背包容量 $W$ 非常小，或者問題有特殊限制。
【答案】False

1.2. K-means 是一種分群演算法，其時間複雜度通常為 $O(nkd)$，其中 $n$ 是資料點數量，$k$ 是簇的數量，$d$ 是特徵的維度。層次式分群（Hierarchical Clustering）的計算複雜度則根據其實現方式而異，例如使用凝聚式（agglomerative）方法，其時間複雜度通常是 $O(n^2 \log n)$ 或 $O(n^3)$。相較之下，K-means 通常在處理大型資料集時，計算效率比層次式分群來得高。
【答案】True

本題主要考驗作業系統中的執行緒同步機制（讀寫鎖、訊號燈）、函數呼叫約定，以及電腦架構中浮點數表示法的基本知識。

2.1. 讀寫鎖（Reader-Writer Locks）的設計目標是在允許多個讀取者同時存取資源的同時，確保寫入者獨佔資源，並避免讀取者和寫入者之間以及多個寫入者之間的衝突。
(a) 這是讀寫鎖的基本區別：讀取者只能讀取，寫入者可以讀取和修改。這是正確的。
(b) 這是讀寫鎖的核心特性：當一個寫入者持有鎖時，任何其他執行緒（包括讀取者和寫入者）都不能存取該資源。這是正確的。
(c) 這是讀寫鎖的另一個核心特性：多個讀取者可以同時存取資源，只要沒有寫入者持有鎖。這是正確的。
(d) 關於寫入者等待時是否獲得優先權，這取決於讀寫鎖的具體實現。有些實現會優先處理寫入者請求，以避免寫入者飢餓（starvation）；但這並非「通用」屬性，有些實現可能優先處理讀取者，或者採用公平策略。因此，這不是一個絕對的通用屬性。
【答案】(d)

2.2. 執行緒飢餓（Thread Starvation）是指一個或多個執行緒因為系統資源分配不當，而長時間無法獲得執行所需的資源（例如 CPU 時間、鎖等），導致它們無法繼續執行或完成任務。
(a) 這是飢餓的典型定義：一個執行緒因為某些原因（例如優先權低、鎖的公平性問題）而無法獲得所需的鎖，並且永遠等待下去。
(b) 訊號燈（semaphore）被鎖住但執行緒未釋放，這是一種錯誤的使用方式，可能導致死鎖（deadlock）或資源洩漏，但不直接定義為飢餓。
(c) 執行緒被產生但未與主執行緒合併，這描述的是執行緒的生命週期管理問題，而非飢餓。
(d) 處理序無法產生新執行緒是因為達到最大數量限制，這是資源限制的問題，而非飢餓。
【答案】(a)

核心觀念
本題探討 IEEE‑754 標準在 x86_64 平台上 浮點數的四捨五入、溢位、次標準化、型別轉換 等特性對代數恆等式與不等式的影響。

• 浮點四則運算：每一次運算都會先以無限精度算得結果，再依目標格式（float 24 位有效位、double 53 位有效位）四捨五入至最近可表示的值。
• 次標準化 (subnormal)：在 float 中最小正值為 $2^{-149}$，在 double 中最小正值為 $2^{-1074}$。除以 2 可能導致 向零捨去 成為 $0$，破壞正向性。
• 溢位：當結果超過最大正規數時會產生 $\infty$，而 $\infty$ 的比較結果會使原本的代數恆等式失效。
• 型別升格 / 降格：float → double 為精確轉換（所有 float 可被 double 完整表示），double → float 可能產生捨入，可能改變大小關係。

---

解題方法

對每一個敘述，以 「是否必然成立」 為判斷依據。若可能失真，必須給出一個在變數允許範圍內的 2 的冪 作為反例；若永遠成立，直接說明其根據的 IEEE‑754 性質。

下面列出每一條敘述的判斷與具體反例（均以十進位表示的 2 的冪說明，實際程式碼中直接寫 float x = 0x1.0p30f; 之類的字面值即可）。

---

各項敘述分析

#	敘述	真偽	若為 False，給出反例 (2 的冪)
1	$(x + y) + z \;==\; x + (y + z)$	False	取 float：<br> $x = 2^{30}$，$y = -2^{30}$，$z = 1$。<br>左側：$(x+y)=0$ → $0+z = 1$。<br>右側：$y+z = -2^{30}+1$ 於 float 失去 $1$，結果 $-2^{30}$，再加 $x$ 得 $0$。<br>故左側為 $1$、右側為 $0$。
2	若 $x>0$ 則 $x/2>0$	False	float 最小正次標準化數 $x = 2^{-149}$。除以 2 得 $2^{-150}=0$（向零捨去），不大於 $0$。
3	$(x + y) \times z \;=\; x \times z + y \times z$	False	float：<br>$x = 2^{127}$，$y = 2^{127}$，$z = 2^{-1}$。<br>左側：$(x+y)$ 產生溢位 → $\infty$，再乘 $2^{-1}$ 仍為 $\infty$。<br>右側：$x*z = y*z = 2^{126}$，相加得到 $2^{127}$（有限），不等於 $\infty$。

4. Short Answer (15%) 試題詳解

---

子題 (a)

核心觀念

• 常見排序演算法的中間狀態特徵：
  • 合併排序法（Merge Sort）：採用分治法（Divide and Conquer），將陣列切分為子陣列各自排序後再合併。在由長度為 $2$ 的子陣列合併至長度為 $4$ 的子陣列階段，會呈現相鄰區間各自排序完成的特徵。
  • 插入排序法（Insertion Sort）：前 $k$ 個元素已完全排序，但後方其餘元素保持原陣列順序完全不動。
  • 選擇排序法（Selection Sort）：前 $k$ 個元素放置全陣列最小的 $k$ 個數（或後方放最大的數），且全局已就定位。
  • 快速排序法（Quick Sort）：至少有一個基準點（Pivot）落在其最終正確索引位置，且其左側元素皆不大於它、右側皆不小於它。

解題方法

1. 觀察初始陣列與中間狀態陣列：
   • 原始陣列：[8, 15, 3, 1, 14, 23, 6, 10]（長度 $N = 8$）
   • 中間陣列：[1, 3, 8, 15, 6, 10, 14, 23]
2. 分析區塊特徵：
   • 將中間陣列以 $4$ 個元素為一組進行觀察：
     • 前半段 [1, 3, 8, 15]：剛好是原始陣列前半段 [8, 15, 3, 1] 由小到大排序的結果。
     • 後半段 [6, 10, 14, 23]：剛好是原始陣列後半段 [14, 23, 6, 10] 由小到大排序的結果。
   • 這正是 合併排序法（Merge Sort） 在完成左半部子陣列與右半部子陣列各自的排序（即子問題已解決），準備進行最後一次雙向合併（2-way merge）前的典型中間狀態。

解題技巧

• 排除法驗證：
  • 若為 Insertion Sort：原陣列第 5 個數是 14，若排到第 5 個數，後方的 [23, 6, 10] 應維持原始相對位置，但中間狀態後方卻已變動為 [6, 10, 14, 23]，顯非插入排序。
  • 若為 Selection Sort：全陣列最小的數依序為 1, 3, 6, 8, 10, 14, 15, 23。中間狀態前 4 個數為 1, 3, 8, 15，並非全局最小的前 4 個數（6 比 8、15 小卻在後方），顯非選擇排序。
  • 若為 Quick Sort：若 Pivot 為 15，右邊有比 15 小的數（6, 10, 14），違反分割性。
• 因此該特徵為標準的兩路 Merge Sort。

【答案】
Merge Sort（合併排序法）

---

子題 (b)

核心觀念

• 樹的走訪策略（Tree Traversal Strategies）：
  • 廣度優先搜尋（Breadth-First Search, BFS） / 階層式走訪（Level-Order Traversal）：由根節點開始，依深度（Depth）由小到大、逐層由左至右訪問所有節點。
  • 實作所使用的資料結構：先進先出（FIFO）的 佇列（Queue）。

解題方法

• 題目要求逐層印出節點（Depth 0 $\rightarrow$ Depth 1 $\rightarrow$ Depth 2 $\dots$），此走訪順序在演算法與資料結構中定義為 Level-Order Traversal（階層走訪）或 Breadth-First Search (BFS)（廣度優先搜尋）。
• 走訪流程：
  1. 建立一個佇列 $Q$，將根節點放入 $Q$。
  2. 當 $Q$ 不為空時，自前端取出一個節點並印出。
  3. 依序將該節點的所有子節點加入 $Q$ 的後端。
  4. 重複步驟 2 與 3，直到所有節點走訪完畢。

【答案】
Breadth-First Search (BFS) 或 Level-Order Traversal（使用 Queue 佇列實作）

---

子題 (c)

核心觀念

• 記憶體定址能力（Memory Addressing Capability）：
  • 若記憶體以位元組為定址單位（Byte-addressable），位址匯流排或指標寬度為 $k$ 個位元組（Byte），則位址線位元數為：
    $n = k \times 8 \text{ bits}$
  • $n$ 個位元的位址空間最多可產生 $2^n$ 個相異位址，每個位址對應 1 Byte 的記憶體空間。
  • 總可定址記憶體容量公式：
    $\text{Addressable Bytes} = 2^n \text{ Bytes}$

解題方法

1. 計算位址位元數：
   $8 \text{ Bytes} = 8 \times 8 = 64 \text{ bits}$
2. 計算可定址之位元組總數：
   $2^{64} \text{ Bytes}$
3. 單位換算：
   • $2^{10}\text{ B} = 1\text{ KB}$
   • $2^{20}\text{ B} = 1\text{ MB}$
   • $2^{30}\text{ B} = 1\text{ GB}$
   • $2^{40}\text{ B} = 1\text{ TB}$
   • $2^{50}\text{ B} = 1\text{ PB}$
   • $2^{60}\text{ B} = 1\text{ EB}$（Exabyte）
   • 因此：

核心觀念

本題考查巢狀迴圈的執行次數。總時間取決於內層迴圈執行次數的總和，而不是只看兩層迴圈的外觀。題目中的 print(j) 每次執行皆視為 $O(1)$。

解題方法

外層變數 $i$ 從 $1$ 開始，每次增加 $2$，因此依序取 $1,3,5,\ldots$，直到 $i \ge n$。令外層迴圈執行 $m=\lfloor n/2\rfloor$ 次，則第 $k$ 次執行時，$i=1+2k$，其中 $k=0,1,\ldots,m-1$。

內層迴圈的 $j$ 從 $i$ 執行至 $n$，包含兩端，因此執行 $n-i+1$ 次。代入 $i=1+2k$，第 $k$ 次外層迴圈的內層執行次數為

$$n-(1+2k)+1=n-2k$$

將各次執行次數加總：

$$\begin{aligned} T(n) &=\sum_{k=0}^{m-1}(n-2k)\\ &=mn-2\cdot\frac{(m-1)m}{2}\\ &=mn-m(m-1) \end{aligned}$$

核心觀念

本題考查循序執行的兩個迴圈，其總執行時間如何合併。若兩段程式依序執行，總時間是各段時間相加：

$$T(n)=T_1(n)+T_2(n)$$

在 Big-$O$ 表示法中，保留增長較快的主導項即可。

解題方法

第一個迴圈：每次增加 5

i 從 1 開始，每次加 5，依序取值 $1,6,11,\ldots$，直到 $i\ge n$。執行次數約為 $n/5$，因此：

$$T_1(n)=O(n)$$

第一個迴圈結束時，$i$ 約為 $n$ 的量級，且只比 $n$ 大不到 5。

第二個迴圈：每次除以 2

核心觀念

本題考查「外層迴圈每次將變數加倍、內層工作量隨外層變數增加」的總執行時間。應將每輪內層迴圈的工作量加總，而不能只用外層迴圈的次數判斷。

解題方法

外層變數 $i$ 依序取值 $1,2,4,\ldots,2^k$，直到 $i \ge n$ 停止。每一輪內層迴圈執行 $i$ 次，因此總工作量為：

$$1+2+4+\cdots+2^k =2^{k+1}-1$$

停止條件表示 $2^k<n\le 2^{k+1}$，所以：

$$n-1 \le 2^{k+1}-1 < 2n$$

總工作量與 $n$ 成正比，因此時間複雜度為 $\Theta(n)$，以大 $O$ 表示為 $O(n)$。

關鍵程式碼與複雜度

核心觀念

特徵向量（feature vector）是用一組數值表示某個資料對象的多個特徵。不同特徵的尺度可能差很多，例如一個特徵的範圍是 $0$ 到 $1$，另一個卻是數千；若直接比較或計算距離，尺度較大的特徵就可能主導結果。因此，分析特徵向量時常先做正規化，讓各特徵落在可比較的尺度上。

解題方法

圖中表格的第一個項目是「Feature vector」，選項包括正規化（Normalization）、標準差（Standard deviation）及不同的演算法、複雜度與程式設計概念。判斷其最直接的搭配，是特徵向量常需經過正規化，以便比較各維度的數值。

選項分析

• (A) Optimization：最佳化是尋找較佳解的過程，不是特徵向量的直接對應概念。
• (B) Undirected graph：無向圖是圖論中的結構，與特徵向量無直接對應。
• (C) Expected running time：期望執行時間是演算法分析概念，不是特徵向量的處理方式。
• (D) Mutability：可變性描述物件能否被修改，與特徵向量的尺度處理無關。
• (E) $O(1)$：常數時間複雜度，不是特徵向量的定義或常見處理。
• (F) Local optima：區域最佳解是最佳化問題中的概念，不是特徵向量的直接對應。
• (G) Induction：歸納法常用於證明，不是特徵向量的處理方式。
• (H) Upper bound：上界是分析演算法成長率的概念，與特徵向量無直接關聯。

核心觀念

階層式分群會逐步合併群集，或由大群集逐步拆分。合併式階層分群需要衡量兩個群集之間的距離；用來定義這個距離的方法稱為連結準則，例如單一連結、完全連結與平均連結。

解題方法

原卷第 6 題要求每格填一個字母，且字母不得重複；表格中的第 (b) 項是「Hierarchical clustering」，選項中有「Linkage criterion」。階層式分群以連結準則衡量群集間距離，因此填入該選項。

選項分析

• A. Optimization（最佳化）：是尋找目標函數較佳解的概念，並非階層式分群的直接配對。
• B. Undirected graph（無向圖）：描述邊沒有方向的圖，並非分群衡量群集距離的方法。
• C. Expected running time（期望執行時間）：分析隨機情況下演算法的平均效能，與階層式分群的核心配對不同。
• D. Mutability（可變性）：指資料或物件建立後能否改變，不是分群概念。
• E. $O(1)$：表示常數時間複雜度，與群集間距離定義無關。
• F. Local optima（局部最佳解）：指在局部範圍內無法再改善的解，並非階層式分群的配對概念。
• G. Induction（歸納法）：常用於數學證明，並非分群準則。
• H. Upper bound（上界）：描述上限或複雜度界線，不是群集距離的定義。

核心觀念

深度優先搜尋（DFS）會沿著一條路徑盡可能深入；走到無法繼續時，便退回前一個分岔點，改走尚未探索的路徑。這種「深入探索、無路可走時退回」的過程，對應選項 Backtracking（回溯）。

解題方法

圖中第 6 題表格的題目項目包含「Depth first search」，選項清單則包含 Q. Backtracking。判斷時抓住 DFS 的核心流程：沿路深入，遇到死路就退回，因此填入 Q。

選項分析

• A. Optimization：指最佳化問題，目標是找出最佳解；不是 DFS 的搜尋策略。
• B. Undirected graph：指無向圖；DFS 可用於無向圖，也可用於有向圖，並非 DFS 的專屬配對。
• C. Expected running time：指期望執行時間；不是 DFS 的核心概念。
• D. Mutability：指資料是否可變動，屬於程式語言或資料性質。
• E. $O(1)$：代表常數時間複雜度，不是 DFS 的策略名稱。
• F. Local optima：指局部最佳解，常見於最佳化問題。
• G. Induction：指數學歸納法，是證明方法。
• H. Upper bound：指上界；不是 DFS 的搜尋方式。

核心觀念

貪婪演算法在每一步都選擇當下看來最好的選擇，也就是局部最佳選擇。若問題具備適合的結構，這些局部選擇能導向全域最佳解；但貪婪策略本身不保證所有問題都能得到全域最佳解。

解題方法

圖中第 6 題的表格將「Greedy algorithm」列為第 (d) 項，待配對選項包含「Local optima」。依照貪婪演算法每一步採取局部最佳選擇的特性，(d) 應配對「Local optima」的代號 F。

選項分析

• A. Optimization（最佳化）：指尋找最佳解的目標或過程，不是貪婪演算法每一步採用的選擇原則。
• B. Undirected graph（無向圖）：圖的邊沒有方向，與貪婪演算法的核心定義無關。
• C. Expected running time（期望執行時間）：描述演算法執行時間的期望值，不是貪婪策略。
• D. Mutability（可變性）：指資料是否能在建立後修改，與貪婪選擇無關。
• E. $O(1)$：表示常數時間複雜度，不是貪婪演算法的定義。
• F. Local optima（局部最佳解）：符合貪婪演算法每一步選取當下最佳選擇的特性，為正確配對。
• G. Induction（數學歸納法）：是一種證明方法，不是貪婪演算法的選擇原則。
• H. Upper bound（上界）：表示某量不超過的界限，常用於分析演算法，不是貪婪策略。
• I. Specification（規格）：描述系統或程式應符合的需求，與貪婪選擇無關。

核心觀念

資料抽象是把資料的使用方式與內部實作分開：使用者透過介面或規格知道有哪些操作及其行為，不必知道資料如何儲存或操作如何實作。因此，本題要找的是最能代表「說明抽象資料可如何使用」的選項。

解題方法

圖中第 6 題的 (e) 項是 Data abstraction，選項包含 I. Specification、K. Inheritance 等。判斷時，將資料抽象理解為以規格描述操作與行為、隱藏實作細節，對應到 Specification。

選項分析

• A. Optimization：指改善解的品質或效率，不是描述資料的使用介面。
• B. Undirected graph：指邊沒有方向的圖形結構。
• C. Expected running time：指演算法執行時間的期望值。
• D. Mutability：指物件或資料是否可被修改。
• E. $O(1)$：指常數時間複雜度。
• F. Local optima：指局部範圍內的最佳解。
• G. Induction：指數學歸納法，一種證明方法。
• H. Upper bound：指上界，常用於描述成本或複雜度的限制。

核心觀念

Big-$O$ 記號描述函數的漸近上界。若存在常數 $c>0$ 與 $n_0$，使得對所有 $n\ge n_0$ 都有 $0\le f(n)\le c g(n)$，則 $f(n)=O(g(n))$。因此，Big-$O$ notation 對應選項 Upper bound。

解題方法

依原卷圖，第 6 題是配對題，(f) 欄的項目是「Big-O notation」；選項中 H 為 Upper bound。將漸近符號的定義與選項對照，應填 H。

選項分析

• A Optimization：最佳化是尋找較佳解或較佳效率，不是 Big-$O$ 的定義。
• B Undirected graph：無向圖是圖論結構，與漸近上界無關。
• C Expected running time：期望執行時間是隨機演算法的平均效能概念，不等同 Big-$O$。
• D Mutability：可變性描述資料是否能被修改，與複雜度記號無關。
• E $O(1)$：常數時間是特定時間複雜度；Big-$O$ notation 本身泛指漸近上界的記法。
• F Local optima：局部最佳解是最佳化問題中的解，不是 Big-$O$ 的意義。
• G Induction：歸納法是數學證明方法，與 Big-$O$ 定義不同。
• H Upper bound：正確。Big-$O$ 表示漸近上界。

核心觀念

多型（polymorphism）是物件導向程式設計的概念：不同類別的物件可以透過共同介面接受相同操作，並依各自的類別呈現不同的行為。多型常透過繼承與子類別覆寫方法來實現，因此在本題選項中，最適合對應「繼承」。

解題方法

圖中第 6 題的配對表列出「Polymorphism」；選項包含「K. Inheritance」。依物件導向的常見關係，子類別繼承共同介面或方法後，可覆寫方法，讓同一操作依物件類型產生不同結果，故選 K。

選項分析

• A. Optimization：指最佳化問題或改善解的過程，與多型無關。
• B. Undirected graph：指邊沒有方向的圖，與物件導向多型無關。
• C. Expected running time：指期望執行時間，屬於演算法分析概念。
• D. Mutability：指物件建立後狀態是否可變，與多型不同。
• E. $O(1)$：指常數時間複雜度，不是多型的概念。
• F. Local optima：指局部最佳解，屬於最佳化問題。
• G. Induction：指數學歸納法，常用於證明命題或遞迴性質。
• H. Upper bound：指上界，常用於複雜度分析。

核心觀念

遞迴是函式或程序以較小的輸入呼叫自身；數學歸納法則常用來證明遞迴程序對所有合法輸入都正確。兩者都依據「基礎情況」與「由較小情況推進」的結構，因此最適合配對的是 Induction（歸納法）。

解題方法

圖中第 6 題的配對表列出「Recursion: (h)」，下方選項包含 G. Induction。判斷時，將遞迴的基礎情況對應到歸納證明的基底，再將遞迴呼叫的較小問題對應到歸納步驟，即可選出 G。

選項分析

• A. Optimization（最佳化）：尋找較佳解，並非遞迴的證明方法。
• B. Undirected graph（無向圖）：圖中邊沒有方向，與遞迴無直接對應。
• C. Expected running time（期望執行時間）：衡量隨機演算法的平均效能，不是遞迴的配對概念。
• D. Mutability（可變性）：指資料能否在建立後改變，與遞迴無直接對應。
• E. $O(1)$：常數時間複雜度，不能概括遞迴的定義。
• F. Local optima（局部最佳解）：最佳化問題中的局部解，與遞迴無直接對應。
• G. Induction（歸納法）：可依基礎情況與歸納步驟證明遞迴程序的正確性，正確。
• H. Upper bound（上界）：描述量的上限，不是遞迴的對應概念。

核心觀念

本題是 10 個詞（a 到 j）對應 20 個選項（A 到 T）的配對題，每個字母只能用一次，要找「最貼切」的選項。第 (i) 格是 Hashing（雜湊）。

雜湊的分析特色是：雜湊函數把鍵分散到各個桶，若函數良好，碰撞次數的期望值很小，所以查詢、插入、刪除的期望（平均）執行時間為常數；但最壞情況（所有鍵落入同一個桶）可退化為 $O(n)$。因此談雜湊的效能時，慣用語是「expected running time」，而不是單純的最壞情況。

解題方法

先看整張表的配對，其餘各格的最佳對應大致是：

項目	最貼切的選項
(b) Hierarchical clustering	(O) Linkage criterion
(f) Big-O notation	(H) Upper bound
(g) Polymorphism	(K) Inheritance
(h) Recursion	(G) Induction
(j) Merge sort	(S) Divide and conquer
(e) Data abstraction	(I) Specification

這些項目都以「概念對概念」配對，所以 Big-O 配上界，Merge sort 配分治，都不需要用到 $O(1)$、$O(\log n)$、$O(n)$ 這類具體複雜度。

選項中的 $O(1)$、$O(\log n)$、$O(n)$ 與 Lower bound、Upper bound 屬於同一族，較像是刻意放入的干擾項。

核心觀念

合併排序（Merge sort）使用「分治法」：將資料分成較小的子問題，遞迴排序各部分，再合併成有序結果。因此本題配對的是 Divide and conquer。

解題方法

原卷表格的第 (j) 項是「Merge sort」，選項中 S 是「Divide and conquer」。合併排序先將序列分半，分別排序後再合併，符合分治法的「分割、處理、合併」步驟。

選項分析

• A. Optimization：最佳化問題的求解目標，不是合併排序的核心策略。
• B. Undirected graph：圖的種類，與排序方法無關。
• C. Expected running time：期望執行時間的分析概念，不是排序策略。
• D. Mutability：資料是否可變的性質，與合併排序的設計無關。
• E. $O(1)$：常數時間，不是合併排序的時間複雜度。
• F. Local optima：局部最佳解，常見於最佳化問題，並非合併排序策略。
• G. Induction：數學歸納法，可用於證明演算法正確性，但不是此排序法的核心策略。
• H. Upper bound：上界，是分析概念，不是排序策略。
• I. Specification：規格描述，與合併排序的設計方法不同。