In den stickigen Computerräumen der Universitäten von München bis Berlin wird Jahr für Jahr das gleiche Sakrament vollzogen. Dozenten schreiben mit einer fast religiösen Gewissheit Algorithmen an die Tafel, die angeblich das Fundament unseres digitalen Verständnisses bilden. Einer der prominentesten Gäste in diesem Lehrplan ist das Python Program For Selection Sort, ein Code-Schnipsel, den fast jeder Informatikstudent im ersten Semester auswendig lernt. Man sagt uns, dieser Algorithmus sei der ideale Einstieg, um das Sortieren von Datenmengen zu begreifen, weil er so wunderbar intuitiv ist. Man sucht das kleinste Element, tauscht es an die erste Stelle und wiederholt das Ganze. Es klingt logisch. Es sieht im Code sauber aus. Doch hier beginnt der Betrug an der Effizienz. Wir bringen dem Nachwuchs eine Methode bei, die in der echten Welt der Softwareentwicklung fast so nützlich ist wie ein Schaufelradbagger zum Umtopfen einer Zimmerpflanze. Dieses Verfahren ist nicht nur langsam, es ist ein Relikt, das ein falsches Bild davon vermittelt, wie moderne Computer tatsächlich mit Informationen umgehen.
Die gefährliche Verführung der Einfachheit
Die Faszination für diesen speziellen Algorithmus rührt von seiner menschlichen Logik her. Wenn ich dich bitten würde, einen Stapel unsortierter Spielkarten von Hand zu ordnen, würdest du wahrscheinlich unbewusst eine Variante dieses Verfahrens wählen. Du suchst die niedrigste Karte und legst sie beiseite. Das ist das Problem. Wir neigen dazu, menschliche Intuition mit maschineller Effizienz gleichzusetzen. In der Softwarearchitektur ist das ein fataler Trugschluss. Ein Python Program For Selection Sort arbeitet mit einer quadratischen Zeitkomplexität, was in der Fachsprache $O(n^2)$ bedeutet. Das klingt abstrakt, hat aber drastische Konsequenzen. Verdoppelst du die Menge der Daten, vervierfacht sich die Rechenzeit. Bei einer Million Datensätze, was heute eine lächerlich kleine Menge ist, bricht das Kartenhaus zusammen. Während moderne Algorithmen wie Quicksort oder Timsort – der Standard in der Sprache Python – solche Aufgaben in Bruchteilen von Sekunden erledigen, würde unser vermeintlicher Lehrmeister die CPU minutenlang in einer sinnlosen Schleife gefangen halten.
Ich habe oft erlebt, wie junge Entwickler in Vorstellungsgesprächen stolz darauf waren, diesen Algorithmus fehlerfrei niederschreiben zu können. Sie dachten, sie hätten das Prinzip verstanden. Doch sie verstanden nur die Mechanik eines veralteten Werkzeugs. Wahre Expertise bedeutet zu wissen, warum man ein Python Program For Selection Sort niemals in einer Produktionsumgebung einsetzen darf. Es gibt keinen legitimen Grund, dieses Verfahren in einer modernen Anwendung zu nutzen, es sei denn, man schreibt Software für einen Toaster aus den Neunzigerjahren, dessen Speicherplatz so begrenzt ist, dass kein anderer Code hineinpasst. Selbst dann gäbe es bessere Alternativen. Wir halten an diesem Lehrinhalt fest, weil er bequem für die Prüfer ist, nicht weil er wertvoll für die Lernenden wäre. Das ist akademische Trägheit, die sich als pädagogische Notwendigkeit tarnt.
Die Illusion der Stabilität und der reale Preis des Tauschens
Ein oft übersehener Aspekt ist das Verhalten des Algorithmus gegenüber gleichen Werten. Er ist von Natur aus instabil. Das bedeutet, wenn du zwei identische Datensätze hast, könnte ihre ursprüngliche relative Reihenfolge nach dem Sortieren zerstört sein. Für einen Anfänger mag das nebensächlich klingen. In der Finanzwelt oder bei der Verarbeitung von Zeitstempeln kann eine solche Instabilität jedoch zu subtilen, katastrophalen Fehlern führen. Wer dieses Thema nur oberflächlich streift, erkennt nicht, dass die bloße Korrektheit eines Ergebnisses – also die Tatsache, dass die Liste am Ende sortiert ist – nicht ausreicht. Die Integrität der Datenbeziehungen ist genauso wichtig.
Skeptiker werden nun einwenden, dass man das Gehen lernen muss, bevor man rennen kann. Sie behaupten, die Einfachheit des Codes helfe dabei, die Grundlagen von Schleifen und Variablenzuweisungen zu verstehen. Das ist ein schwaches Argument. Man könnte dieselben Konzepte anhand von Insertion Sort vermitteln, einem Algorithmus, der in der Praxis bei kleinen Datenmengen tatsächlich eine Daseinsberechtigung hat. Wer den Selection Sort verteidigt, verteidigt meist nur seinen eigenen veralteten Lehrplan. Wir verschwenden die kognitive Kapazität von Studenten mit der Analyse eines Systems, das darauf optimiert ist, möglichst viele unnötige Schreibzugriffe auf den Speicher durchzuführen. Jeder Tauschvorgang kostet Energie und Zeit. In einer Ära, in der wir über Green Coding und Energieeffizienz diskutieren, ist die Glorifizierung eines solch verschwenderischen Prozesses fast schon ironisch.
Der Mechanismus ist simpel: Er scannt den verbleibenden unsortierten Teil der Liste jedes Mal komplett durch, nur um ein einziges Element zu platzieren. Stell dir vor, du suchst in einem Supermarkt nach zehn Produkten und läufst für jedes einzelne Produkt einmal durch alle Gänge, anstatt dir eine Route zu überlegen. Genau das tun wir unserem Prozessor an. Die Hardware hat sich in den letzten Jahrzehnten rasant entwickelt. Wir haben Caching-Hierarchien, Pipelinig und parallele Verarbeitung. Der hier diskutierte Algorithmus ignoriert all diese Fortschritte. Er ist so konstruiert, dass er die Vorzüge moderner Hardware aktiv ausbremst, indem er ständig wahllos in verschiedene Speicherbereiche springt.
Warum wir die Lehre radikal umbauen müssen
Es geht hier um mehr als nur um ein paar Zeilen Code. Es geht um die Philosophie der Problemlösung. Wenn wir den Einstieg in die Informatik mit ineffizienten Mustern pflastern, konditionieren wir die nächste Generation darauf, "funktioniert irgendwie" als akzeptablen Standard zu betrachten. Wir sollten stattdessen von Anfang an über Komplexität und Ressourcenmanagement sprechen. Anstatt die Zeit mit der Implementierung von Sackgassen zu verbringen, könnten wir lehren, wie man die eingebauten, hochoptimierten Funktionen der Sprache nutzt und deren Grenzen versteht. Die Standardbibliothek von Python ist ein Meisterwerk der Ingenieurskunst. Sie zu ignorieren, um ein schlechteres Rad neu zu erfinden, ist kein Lernen, sondern Beschäftigungstherapie.
Man kann die Realität nicht wegdiskutieren. Die Welt wird von Datenströmen angetrieben, die exponentiell wachsen. Wer heute Software schreibt, die auf quadratischen Algorithmen basiert, produziert den technischen Schuldenberg von morgen. Die Universität Karlsruhe oder das MIT haben längst damit begonnen, ihre Curricula zu straffen und den Fokus auf Skalierbarkeit zu legen. Es ist an der Zeit, dass dieser Wandel auch in der breiten Masse der Ausbildung ankommt. Wir müssen aufhören, Nostalgie mit Didaktik zu verwechseln. Ein erfahrener Entwickler weiß, dass der beste Code derjenige ist, den man nicht schreiben muss, weil kluge Köpfe vor einem bereits eine Lösung gefunden haben, die um Größenordnungen schneller ist.
Vielleicht liegt der wahre Wert dieses alten Algorithmus in seiner Rolle als mahnendes Beispiel. Man könnte ihn zeigen, um zu demonstrieren, wie man es eben nicht macht. Man könnte ihn als abschreckendes Beispiel für schlechtes Ressourcenmanagement verwenden. Doch ihn als "Standard" oder "wichtigen Meilenstein" zu bezeichnen, ist eine Verzerrung der Tatsachen. In der freien Wirtschaft kostet jede Sekunde Rechenzeit bares Geld, sei es durch Cloud-Gebühren oder durch ungeduldige Nutzer, die eine App löschen, wenn sie zu langsam reagiert. Wer dort mit einem solchen Ansatz ankommt, wird schnell feststellen, dass theoretische Einfachheit in der Praxis teuer bezahlt wird.
Wir schulden es der Zukunft der Technologie, die Werkzeuge von gestern dort zu lassen, wo sie hingehören: in den Geschichtsbüchern der Informatik, weit weg von jedem aktiven Terminal. Die wahre Meisterschaft zeigt sich nicht darin, ein schlechtes Verfahren fehlerfrei zu implementieren, sondern darin, die Arroganz zu besitzen, eine einfache, aber falsche Lösung zugunsten einer komplexen, aber richtigen Architektur abzulehnen.
Das Festhalten an diesem Algorithmus ist kein pädagogischer Kniff, sondern die Weigerung, die Ineffizienz als das zu benennen, was sie ist: ein vermeidbarer Fehler.
