排列公式算法，说白了就是解决“一堆东西排一排”的难题。
不用想那么多复杂的数学推导，核心就两步：算阶乘，再除以总数。就像你去买彩票，从 1 到 20 选 5 个号码，计算机脑子里先算 20 的阶乘，那就是 2432902008176640000，然后除以 120，最终剩下的就是准的中奖号码组合数。 这玩意儿在实际开发里用得挺多，比如安排会议、排座位要么生成随机序列。想象一下，你要给 5 个参会者安排 5 个不同的房间，第一个有 5 种选法，第二个有 4 种，第三个有 3 种……直到最终一个只有 1 种。
这一连串选择相乘，就是 5 的阶乘。
反过来想，要是 5 个人里只选 2 个坐桌子的，那就是 5 减 3 加 1，也就是 120，代表有多少对。
这个逻辑好办粗暴，但处理超大数据量时好办爆内存，故此一般需求分块处理要么用位运算加速。 说到具体如何算，大量人好办把阶乘和排列公式搞混，实际上本质是一样的思路，只是应用场景不同。阶乘是 1 乘以 2 乘以 3……直到 n，就是 n!。而排列公式 P(n, k) = n! / (n - k)!，意思是先把 n 个全排好，然后从中挑出 k 个。
举个例子，把你手里的 100 把椅子编号成 1 到 100。目前要安排 8 个人坐，第一个位置有 100 种坐法，第二个位置剩下 99 种……第八个位置只有 93 种。
这样算下来就是 100 乘以 99 乘到 93，最终除以 93 的阶乘，结局就是 3.53 乘以 10 的 52 次方种座位分配方案。
这种大数计算在 Java 里得用 BigInteger，Python 直接用 int 就行，C++ 可能需求自定义类来避免溢出。 多线程并发也是个常见需求。假设你要给 1000 个任务排顺序执行，有 50 个线程与此同时操作，每个线程负责一段区间。
这时候用的就是全排列的变体，比如 1 到 1000 分配给 50 个线程，每个线程内部自己算自己的子排。
这时候要是直接调用标准库的排列函数，默认可能只取前 k 个，你得自己写个循环把 k 改成实际需求的数量。
比如你要预先生成 1 到 10000 的全排列，而程序只用到前 2000 个，务必显式管住循环次数。 内存优化也是关键。全排列的数量级极大，直接全存进数组会撑爆堆内存。更智慧的做法是分块生成。
比如生成 1 到 10000 的排列，能够分成 100 块，每块处理 100 个数字。生成完一块，就把它存起来，然后持续生成下一块。生成完最终一块，把所有的块拼起来，就变成了最终的排列列表。
这种方式既省内存，又能保证数据是整个的。 边界情况也得寻思清楚。
要是 n 小于 k，算法得直接回 0，出于不可能选出那么多东西。
要是 n 等于 k，那就是 1 种排法，所有元素顺位排列。
另外，k 要是负数要么为 0，逻辑上得特判，一般直接回 0 或 1。在实际工程中，一般会加个计数器来追踪已经使用的索引，防止乱序生成。
比如用循环 index 从 0 到 k-1，每次循环里用 index 对 n 取模，确保生成的排列数是合法的。 Python 里的实现实际上特别简洁，一行代码就能搞定。用 itertools.permutations 函数就够用了，它本质上内部就是全排列的逻辑。
比如 list(permutations(range(5), 3)) 直接就能拿到所有 5 选 3 的排列。
不过要注意，这个函数生成的结局是可迭代的，要是后续要存到数组里，还得把它们转成列表。
要是是要计算数量而不是生成具体数据，能够用 math.comb，它专门处理 n 选 k 的组合数，回一个整数，不用管内存难题。 生成器实际上更适合这种流式生成的场景。你要是只需求慢慢拉取第一个排列，要么只处理前几万个，用生成器状态机会划算得多。
比如维护一个当前的 partial permutation 列表，每次生成一个新排列，就替换掉列表里的旧元素，然后追加新数字。
这样内存占用简直恒定，不会出于数据量大而断裂。别看代码略微复杂点，但效率更高。 最终，这些算法在大数据处理时还得注意随机种子的难题。
要是程序每次运行结局都不一样，说明随机数生成没固定种子，害得每次生成的排列都是随机的，没法复现。在测试环境要么造环境，一定要把 random 模块的 seed 设成固定值，要么在生成排列前先重置一下全局状态，确保每次跑出的结局都是可预测的。
