引导扇区实现
这篇讲的是如何从最底层实现一个操作系统启动的第一步：引导扇区。作者从BIOS加电自检后如何找到并执行启动代码讲起，解释了CPU进入实模式后的内存寻址机制，以及BIOS如何通过识别磁盘第一个扇区末尾的特定标志`0xaa55`来加载引导程序。 核心实现思路清晰：引导程序被加载到内存地址`0x7c00`处执行。文中给出了一段精简的汇编代码示例，演示了如何利用BIOS的`int 10h`中断，在屏幕上打印出“Hello,CB_OS!”字符串。这部分不仅展示了代码，还详细拆解了中断调用所需的参数设置，比如显示模式、字符长度和颜色属性。 巧妙之处在于，作者完整走通了从编写源码（`boot.asm`）、用`nasm`编译成二进制文件、再到通过`dd`命令写入磁盘镜像并使用bochs模拟器运行的整个流程。最终，在模拟器中成功看到输出，直观验证了引导扇区工作正常。文章从底层原理到可运行代码的完整路径，让操作系统启动这一抽象过程变得具体可感。
文件系统的树形结构改善构思
传统树形文件系统在管理一个文件属于多个分类时显得力不从心。要么得在多个目录下复制文件，造成空间浪费，要么就得忍受层级嵌套带来的繁琐点击。作者从这一痛点出发，提出了一个结合“标签”的改进思路。 核心方案是为文件系统增加一个自动生成的标签区。当文件被放入某个目录时，系统会为其打上该目录名的标签，同时也支持用户手动添加其他标签。这样，像《C/C++编程指南》这样的书籍就能同时关联“C语言”和“C++语言”两个标签，无需重复存储。 文章进一步探讨了两种访问逻辑：传统的树形目录用于文件管理，而标签则提供了另一种扁平化的快速索引路径。作者还设想了更人性化的交互——点击一个标签，文件管理器能直接打开包含该标签内容的相关目录，让访问路径更直观。 这篇构思主要在于抛砖引玉，探讨如何融合目录与标签的长处，来改善文件管理的体验。
深入浅出插入类排序算法(直接插入, 折半插入, 希尔排序)
这篇讲的是如何用最生活化的方式理解插入类排序。作者从打扑克牌的场景切入——手里每拿到一张新牌，就按大小插到已排好序的牌列中——清晰展示了直接插入排序的核心过程。文章不仅给出了这个算法的C语言实现，还通过统计比较和移动次数，分别演示了最好情况（已排序）和最坏情况（逆序）下的性能差异，最后得出平均时间复杂度为O(n²)的结论。 随后，文章对比介绍了两种优化变体。折半插入排序通过二分查找减少比较次数，而不是顺序扫描；希尔排序则通过分组和逐步缩小增量的方式，让排序效率更高。作者通过扑克牌的连续操作步骤，将这些抽象算法的每一步都可视化，让读者能直观看到算法如何一步步移动元素、缩小比较范围。 整体而言，这篇文章没有停留在代码罗列，而是结合实例与原理分析，把三种容易混淆的插入排序讲得层次分明。尤其适合想搞清楚“它们到底有什么不同”以及“各自适合什么场景”的学习者。
深入浅出交换类排序算法(冒泡排序,快速排序)
这篇文章通过对比两种经典的交换类排序算法，系统讲解了冒泡排序与快速排序的原理、实现与性能差异。文章从冒泡排序“两两比较、逐步上浮”的直观思想切入，用军训排队的生活比喻和具体的序列交换过程（如4,3,5,6,2,1的逐步排序），清晰展示了其简单但低效的特点，并指出平均时间复杂度为O(n²)。 重点转向快速排序时，文章突出了其“分治”核心：通过选取基准元素（pivot），用双指针扫描将序列划分为左右两部分，再递归处理。文中通过图示详细拆解了一轮快排的完整指针移动与交换过程，代码实现也体现了递归思想的巧妙运用。对比部分明确指出，快速排序在平均情况下时间复杂度可达O(n log n)，是内排序中效率最高的算法之一，尤其适合处理大规模或基本无序的数据。 整体上，文章将算法思想、步骤图解、代码实现与复杂度分析紧密结合，既解释了冒泡排序易于理解但效率有限的教学价值，也阐明了快速排序在追求效率的实际应用中的优势。
深入浅出选择类排序算法(简单选择排序,堆排序)
这篇文章讲的是两种经典的选择类排序算法：简单选择排序与堆排序。作者从基本思想出发，用一个有趣的比喻——在班级中依次选择最喜欢的“女朋友”——生动解释了简单选择排序如何工作：每一轮遍历未排序部分，找出最小值放到已排序序列末尾。它的实现直观，但时间复杂度固定为O(n²)，无法避免大量的比较操作。 堆排序的讲解则更深入。它将待排序序列构建成一个完全二叉树（大顶堆或小顶堆），利用“父节点总是最大（或最小）”的性质，通过反复交换堆顶元素与末尾元素并调整堆来完成排序。文中详细演示了建堆和递归调整的过程，并附有代码。这种基于二叉树结构的方法，将最坏情况下的时间复杂度提升到了O(nlogn)，同时保持O(1)的空间复杂度。 两者虽然同属选择排序范畴，但效率差异显著。简单选择排序逻辑简单、易于实现，适合数据量小或对稳定性有要求的场景；堆排序则凭借更优的时间复杂度，在处理大规模数据时表现突出，是许多高效排序系统的基础。
数学中的极限思想求时间复杂度
这篇讲的是如何用更严谨的数学方法来计算算法的时间复杂度。通常大家习惯直接保留函数中的最高次项，比如将 T(n) = 2n^5 + 3n^2 - 1 简写为 O(n^5)。文章指出，这种简便做法其实不够严格，其背后的正确依据应当是数学中的极限概念。 作者详细推导了极限判定法：当 n 趋向无穷大时，T(n) 除以某个猜想 f(n) 与一个常数系数的乘积，若结果为一个常数，则 f(n) 就是 T(n) 的时间复杂度。用这个方法重新计算开头的例子，可以严谨地得出 O(n^5) 的结论。 更重要的是，极限思想能解决一些常规方法棘手的对比。比如比较多项式 n^k 和指数 k^n（k 为大于1的常数）的复杂度，直接判断很模糊。文章通过对两边取对数再求极限，清晰地证明 n^k / k^n 的极限为 0，从而得出结论：当 n 足够大时，O(n^k) 的效率远优于 O(k^n)。最后，文章还展示了如何将指数增长的思想应用于分析循环次数，推导出类似 i = i*2 这种模式的时间复杂度为 O(log₂n)。 这篇内容为理解算法效率提供了一个更坚实的数学视角，帮助开发者不仅知其然，更知其所以然。