運算思維（Computational Thinking）在近年來逐漸被關注資訊教育的人們提出來討論。而運算思維包含了問題解構（Decomposition）、型樣辨識（Pattern Recognition）、模型抽象化（Abstraction）以及演算法設計（Algorithm Design）。
對我來說，演算法設計的世界裡面，解題的過程也可以大致分類成以下四種思考方式。而這些思考方式構建了大家在演算法教科書中提及的各種解題方法（又稱為 Algorithmic Paradigm），比方說動態規劃或是分而治之等。大致可以表示成以下的圖片：
枚舉 Enumeration
程式解題與數學解題其中一個不同之處，在於我們擁有運算資源，可以把複雜的、難以公式化的數學結論，用跑程式的方式輕鬆驗證。枚舉（Enumeration）就是其中一種很「資訊科學」的解題方式：如果我能夠證明我的答案在某個特定的範圍中，那麼我只要逐一考慮過所有可能的答案即可。
簡而言之，若一道題目滿足以 下兩個性質：
- 若給定一個解 X，我們可以有效率地檢驗 X 是否正確。
- 把可能的解所在的範圍，縮小到足以負擔的數量級。
那麼通常我們可以寫出好寫又有效率的程式。
迭代 Iteration
迭代法，通常是用於我們可以逐漸找出答案的演算法。最常見的應用是漸進演算法、數值方法、人工智慧等。在競賽之中，我們也可以利用迭代的概念，有效率地得出我們想要的解。最直白的應用就是 for 迴圈。對，還有 while 迴圈。
遞推 Induction
在驗證程式邏輯的正確性的時候，我們很常會使用數學歸納法：「如果小測資是對的，那麼根據我們解題的思路，也可以推得大測資是對的。」P老師也曾經說過：「歸納」、「遞迴」跟「分而治之」其實是一體三面，對於有效率地寫程式解決問題是相當重要的。
轉化 Reduction
轉化跟歸納其實是兩個不同的方向：如果說歸納是以建構的方式，由小範圍的測資組合出大範圍測資的答案，那麼轉化有點像是平行地把一個問題轉變成另一個已知解法問題。轉化在解題思維中無所不在，畢竟大家在面對一道新的題目時，總是會習慣搜尋自己曾經解決過的類似題目、並且利用以前的經驗，把思路稍作修改從而獲得真正的解法。