原文片段

生活中有一些很明确简单的问题，比如我要去买瓶水，出家门找个商店，就可以搞定。这些是可以用明确步骤、在确定时间内完成的问题，计算机理论里叫“P问题”。
还有一些问题，一旦解开，再回头看会感觉很容易，一目了然。这类问题“求解困难”，但验证却很容易，叫“验证容易”。“求解困难”的意思是，我们往前走的时候，往往不知道哪条路径可行，于是不停地尝试；“验证容易”可以理解为，一旦有人拿出一个“解”，你很容易就验证这个“解”是否靠谱。
举几个例子：现在很多“成功人士”，倾向于说当时的选择很对，这叫“验证容易”，但是在选择的时候有多大把握，其实自己未必清楚，这叫“求解困难”。阿里巴巴现在是个大企业，于是你想加入，这叫“验证容易”，但是十年前创业时让你选择是否加入，未必所有人能想明白，这叫“求解困难”；中学的时候你可能会觉得解方程需要各种演算，很费劲，这叫“求解困难”，而验证方程的根是否正确，只要代入验算即可，这叫“验证容易”。
计算机理论里也有这一类问题，叫“NP问题”。
还有一类难度很高的问题，就是前文提到的“NP完全问题”。这一类问题有一个特点，就是问题之间是可以相互转换的。相互转换的意思是，如果你能解出其中一个问题，那你就能解出其中的所有问题。注意这里的“解出”是指“有效率”地解出，不是一个一个地去尝试。
比如旅行商问题（TSP问题，Travelling Salesman Problem），就是一个NP完全问题。假设有一个旅行商人拜访N个城市，要选择一条最短的线路，每个城市只能拜访一次，而且最后要回到原来出发的城市。
如果我说要去三个城市，那你口算就能得到结果。但是在许多问题抽象成模式后，会出现上亿个“城市”，那计算机就没有一个有效的解法。当然一条一条试，可能会试出来，但是这个代价太大，计算量爆炸。
科学家已经证明，这个问题和其他一些同样很难的问题是可以相互转换的。如果你能解这个TSP问题，那你就能同时解背包问题，3SAT问题（名词暂不解释了，有兴趣可阅读文末参考链接），等等。
针对NP完全问题，目前尚无有效的最优解法。虽然无法找到最佳的答案，但是有方法不断接近最佳答案。比如有一种“启发式算法”，就是在寻找答案的时候，每一步都尽量选择一个较优的答案。
其实我们的成长问题也是如此。在面对未来的时候，我们未必知道最优解。同时时间是不可逆的，选择不可回溯，但是我们可以根据一定的原则，尽量选择一个较优的解法。假使我们能解出一个这样的难题，我相信，成长中的其他难题，也可以迎刃而解。

I便签

WHY

成长总有“更优”的解法

一个来自2013年的研究发现，一个美国成年人一天大约要做出35000个决定。面对我们每天需要做出的决定的数量是如此的庞大，加上时间的不可逆性，我们在一些复杂的决策前几乎从来都不可能得到的是最优解，如果真的有最优解。

但是，有些人在做决定的时候，他的选择普遍就是会比其他人的更好一些，更加靠谱一些，比如那些世界首富们。他们现在之所以能够成为首富，我们大都归结为是因为他们在一些重大的事情上做出了正确的决定。但是，如何做出正确的决定呢？在同样信息背景下，为什么他们能够做出比别人更好的决定？或者说根据自己的情况而更好的决定？

WHAT

本文作者给出了一个很有意思的概念：NP完全问题。即复杂性高，很难穷尽所有选项的问题。面对这类问题，从来就没有最优解，有且只有更优解。而我们的成长问题，大多都是这类型的。这个似乎是反常识的，因为在我们以往的学习路上，总是被教导要找到最优解，要多做尝试，然后选一个最好的。但是实际生活中，我们越来越迷茫。常常听到最多的一句话就是：如果我当初知道XXX，那么我就可以变得更好，或者做出更好的决定。但是这个XXX，其实从一开始就不存在，不仅不在你的视线里，也不在别人的视线里。

HOW

那我们具体应该怎么去面对这类的NP完全问题，减少困惑呢？我给大家总结了"更优启发三步法"：一判断类型，二罗列对比， 三坚持更优。

具体步骤如下：

第一步 判断我们所面对的问题是哪一种问题。

虽然我们一天可能要做35000个决定，但是并不是所有的决定是复杂度高的。根据复杂度的递增，我们可以把问题分为以下三个：P问题，NP问题和NP完全问题。

1）P问题的特点是：简单直接，步骤清晰。

我们常说的脑筋急转弯就是这个思路：把大象放进冰箱需要多少步？答案是，打开冰箱，把大象放进去，关上冰箱。具体比如，小A想要身体更加健康，于是小Ａ决定每周跑步三次。那步骤就是：每周一三五，晚上8点准时换好衣服，出门，开始跑步。

2）NP问题的特点是：验证容易，求解困难。

我们能够比较清晰的知道，某个问题好与坏的标准是什么，但是我们却不知道当下哪一个选择能够通往这个好的标准。比如说，小A想财务自由，这个财务自由的标准是容易验证的。但是小A是去大公司打工，财务自由实现的更可能性更大，还是自己做视频带货，实现财务自由的可能性更大呢？

3）NP完全问题。相对NP问题，它不仅求解困难，验证也困难。

NP完全问题属于前提变量多，结果未知系数高，但是如果达成回报也高。比如说，小A想要实现升职加薪成为行业头部，但是过程中有许多的不确定因素，比如说公司是否今年有计划管理层变动？直属上司是否认可小A的工作？还有这家公司今年的收益是否有额外的额度增加薪酬等等。

判断问题的类型，不仅能够快速的找到解决的思路，还能够避免不必要的焦虑。

第二步 罗列我们现有的选项的各个要素并且进行对比

这一步主要是针对于NP和NP完全问题。因为P问题的简单直接，我们一般能够在分类的时候就对解决方法快速的进行判断。

而面对NP和NP完全问题，我们需要罗列选项的要素来进行对比。因为直接对比选项不太有可操作性。

要素可以从以下几个方面入手：1）现在的资源，2）可以支配的时间精力， 3）解决方法的熟练程度，4）决定的机会成本。

第三步 坚持更优

根据第二步我们基本上找到了更优解。这个时候需要做的就是坚持了，不要去反复追问是否有最优解。我们在第二步已经做完了所有的判断，第三步就是不断的坚持下去。在执行的过程中的确会出现许多其他的问题和迷惑，这个时候不代表可以停下坚持的脚步，而是应该根据新的情况进行调整。

WHEN

面对一些复杂型、不确定性高的问题，我们不应该去找最优解是什么。而是在已有的选择里，哪一个是相对更优的。然后通过努力解决一个NP完全问题，来去找到打通其他NP完全问题的任脉。

A1便签

上个月我打算开始找新的工作。起因是因为我收到了两个不同公司的面试通知，这两家公司都是主动找上我的，但是最终我落选了。落选之后，我就开始觉得很焦虑。虽然我是在休产假的期间，但是一想到休完产假能够有新的工作还挺不错的。于是，我给自己定了一个计划是每周投3份简历。但是实际上，我一份都没有投出去。因为我总觉得需要更新我现有的简历，并且因为休产假我对工作出现了生疏感，还有就是觉得新的工作并不一定能够带来更多的收入。

现在看来当时我面对的就是NP问题，我想要增加工资收入，但是我不确定找新工作是否能满足我的需求。面试失败后，我开始不确定自己是不是适合继续深耕产品经理这个方向。于是在投简历的时候不断的找其他的理由来说服自己还没有准备好。

A2便签

目标：在2021年复盘总结中找到2022年坚持的方向，然后执行一阶持续行动。

行动计划：

1。 判断问题：在年度复盘计划里写下现在困扰我的所有问题，然后进行判断。

2。 面对NP类问题，罗列我现在可以执行的选项，进行对比。给每个选项打分1到10分。然后用图片的形式把对比结果用石墨文档储存好，置顶内容。

3。把决定好的选项用iBetter App记录下来，设定1000天的任务倒数时间。在之后出现困惑的时候，那罗列的对比选项拿出来回顾。