算法与数据结构 on 方糖猫Blog

《labuladong 的算法小抄》学习笔记：刷题先学框架，算法本质是穷举

Thu, 02 Oct 2025 15:10:00 +0800

《labuladong 的算法小抄》学习笔记：刷题先学框架，算法本质是穷举

目标读者：正在刷 LeetCode（或准备刷）、刷过几十题但换个马甲就认不出来的程序员；面试季突击者尤佳。
参考书籍：labuladong（付东来）《labuladong 的算法小抄》（电子工业出版社，2020），内容源自其开源项目（GitHub 上的算法教程仓库）。
阅读目标：提炼全书的"框架思维"——不背题，只背框架；认清每类题目的本质穷举结构，剩下的都是填空。本文在笔记之外补充了每个框架的典型原题、解题思路和关键代码（Java），代码均按书里的框架写法整理。

0. 写在前面：一本"反算法书"的算法书

这本书的出身就不同寻常：它不是教授写的教科书，而是一个刷过几百道 LeetCode 的工程师，把自己"打怪升级"的套路整理成的实战手册。先在网上开源（当年以 repo 名的粗口出圈），火了之后才出的书。

所以它跟《图解算法》正好互补（本站的《图解算法》读书笔记可以对照着看）：

《图解算法》是科普：让你知道世界上有哪些工具，各自干什么；
《算法小抄》是教练手册：假设你已经知道工具，教你"看到一道新题，30 秒内判断它属于哪个框架，然后往里填"。

全书的核心主张，用作者自己的话说：算法的本质就是穷举，所有的算法技巧都是"如何聪明地穷举"。动态规划靠备忘录消除重复穷举，回溯靠剪枝砍掉无效穷举，双指针靠单调性跳过不可能的穷举。

这句话是理解全书的钥匙。下面的每一节，都是在回答同一个问题：“这一类题，穷举的结构长什么样？”

1. 全书总纲：数据结构只有两种，算法就是遍历

开篇第一章是全书的"世界观"，作者把纷繁复杂的数据结构和算法压成两句话。

第一句：数据结构只有两种底层存储方式——数组（顺序存储）和链表（链式存储）。

散列表、栈、队列、堆、树、图，全是这两者的排列组合：散列表是"数组 + 散列函数"（拉链法还叠加链表），队列/栈用数组或链表都能实现，图用邻接表就是"数组套链表"，二叉树是链表的升级（一个节点带两个指针）。所以数据结构没有新东西，只有新组合。

第二句：数据结构的基本操作只有"遍历 + 访问"，而遍历只有两种形式——线性的（for/while 迭代）和非线性的（递归）。

flowchart TD
    A["所有算法题"] --> B["本质是穷举"]
    B --> C["线性结构<br/>用迭代遍历<br/>双指针 滑动窗口 前缀和"]
    B --> D["非线性结构<br/>用递归遍历<br/>DFS 回溯 动态规划"]
    B --> E["图与树<br/>层序遍历<br/>BFS"]

由此推出全书最重要的暗线：一切递归皆树遍历。你写的任何递归函数，其执行过程都等价于在遍历一棵隐形的树——调用关系构成树，函数体里的代码位置对应树的前序/中序/后序位置。动态规划、回溯、分治，全是这棵"递归树"上的不同走法。

这个视角的威力在于：它把"动态规划好难"这种情绪问题，降级成"这棵树怎么遍历"的技术问题。

2. 动态规划：带备忘录的穷举

全书篇幅最重的部分，作者也自认是招牌。动态规划在书里被还原成一句话：求最值的问题，穷举所有可行解找最优，发现有重叠子问题，就加备忘录或 DP 表消除重复。

三要素（判断一个问题能不能用 DP）：

重叠子问题：暴力递归会反复计算同一个子问题。这是"值得优化"的信号。
最优子结构：大问题的最优解能由子问题的最优解推出。这是"能够分解"的依据。
状态转移方程：子问题之间的数学关系，是 DP 的"最难也唯一难"的部分。

书里给的标准解题流程，值得背下来：

flowchart LR
    A["明确 状态<br/>原问题和子问题中<br/>会变化的量"] --> B["定义 dp 数组或函数<br/>它的返回值是什么含义"]
    B --> C["明确 选择<br/>每个状态有哪些岔路"]
    C --> D["明确 base case<br/>最小的子问题直接给答案"]

2.1 入门例题：斐波那契——重叠子问题长什么样

暴力递归的 fib(n) = fib(n-1) + fib(n-2) 人人会写，但它的执行过程是一棵二叉树，同一棵子树被反复展开：

flowchart TD
    A["fib(5)"] --> B["fib(4)"]
    A --> C["fib(3)"]
    B --> D["fib(3)<br/>重复计算"]
    B --> E["fib(2)"]
    C --> F["fib(2)<br/>重复计算"]
    C --> G["fib(1)"]
    D -.->|"本子树 C 已经算过"| C

节点数是指数级的，时间复杂度 O(2^n)。优化思路朴素得惊人：算过的子问题存起来，下次直接查表——这就是备忘录：

int[] memo; // memo[n] 缓存 fib(n)，0 表示未计算

int fib(int n) {
    if (n <= 1) return n;          // base case
    if (memo[n] != 0) return memo[n]; // 查表，砍掉整棵重复子树
    memo[n] = fib(n - 1) + fib(n - 2);
    return memo[n];
}

加了一个数组，复杂度从 O(2^n) 降到 O(n)。动态规划的一切技巧，都是这个"备忘录"思想的变体——备忘录是自顶向下查表，DP 表是自底向上填表，两者是同一棵递归树的两条遍历顺序。

术语澄清：什么是 DP 表？ “DP” 是 Dynamic Programming（动态规划）的缩写，DP 表就是存子问题答案的那个数组——每个格子对应一个子问题，格子的值就是它的答案。它和备忘录（memo）存的内容完全一样，区别只在计算顺序：

备忘录：自顶向下写递归时用的缓存。递归过程中算出一个子问题就顺手存进去，下次遇到直接查——“用到才算”；

DP 表：自底向上迭代时填的数组。从最小的 base case 出发，按依赖顺序把每个格子提前算好——“按顺序全算好”。

所以下文凡说"dp 数组"“dp 表”，指的都是这张存答案的表；定义 dp 含义，就是回答"这张表的每个格子代表哪个子问题的答案"——这是 DP 四步流程里最关键的一步。

2.2 招牌例题：凑零钱（LeetCode 322）

给你面额数组 coins 和总金额 amount，求凑出该金额的最少硬币数，凑不出返回 -1。

按四步走：

状态：目标金额 n（唯一会变的量）；
dp 定义：dp(n) 是凑出金额 n 需要的最少硬币数；
选择：遍历每种面额，选一枚，问题规模缩小为 n - coin；
base case：dp(0) = 0，n < 0 返回 -1 表示凑不出。

先写带备忘录的自顶向下版本（好写、不易错）：

int[] memo;

int coinChange(int[] coins, int amount) {
    memo = new int[amount + 1];
    Arrays.fill(memo, -2); // -2 表示"未计算"
    return dp(coins, amount);
}

int dp(int[] coins, int n) {
    if (n == 0) return 0;              // base case
    if (n < 0) return -1;              // 凑不出
    if (memo[n] != -2) return memo[n]; // 查备忘录，消除重复穷举

    int res = Integer.MAX_VALUE;
    for (int coin : coins) {           // 选择：每种面额的硬币
        int sub = dp(coins, n - coin);
        if (sub == -1) continue;
        res = Math.min(res, sub + 1);
    }
    memo[n] = (res == Integer.MAX_VALUE) ? -1 : res;
    return memo[n];
}

再改自底向上的 DP 表（省递归栈空间）：

int coinChange(int[] coins, int amount) {
    int[] dp = new int[amount + 1];
    Arrays.fill(dp, amount + 1); // 初始化为"不可能的大值"充当正无穷
    dp[0] = 0;                   // base case
    for (int i = 1; i <= amount; i++) {
        for (int coin : coins) {
            if (i - coin < 0) continue;
            dp[i] = Math.min(dp[i], dp[i - coin] + 1);
        }
    }
    return dp[amount] == amount + 1 ? -1 : dp[amount];
}

两个版本一一对照：递归的 base case 就是 dp[0] 的初值，递归的"选择"循环就是填表的内层循环，备忘录就是 dp 数组本身。

2.3 系列一：0-1 背包（状态升维）

有 n 件物品，第 i 件重 wt[i]、值 val[i]，背包容量 W，每件只能选一次，求能装的最大价值。

关键在于：这里会变化的量有两个——“还剩哪些物品可选"和"背包还剩多少容量”，所以状态是二维的，dp 表自然是二维的：

dp[i][w]：只考虑前 i 件物品、容量为 w 时的最大价值；
对第 i 件物品，选择只有两种：装或不装。

int knapsack(int[] wt, int[] val, int W) {
    int n = wt.length;
    int[][] dp = new int[n + 1][W + 1]; // 第 0 行第 0 列全为 0，即 base case
    for (int i = 1; i <= n; i++) {
        for (int w = 1; w <= W; w++) {
            if (w - wt[i - 1] < 0) {
                dp[i][w] = dp[i - 1][w];  // 装不下，只能不选
            } else {
                dp[i][w] = Math.max(
                    dp[i - 1][w],                          // 不选第 i 件
                    dp[i - 1][w - wt[i - 1]] + val[i - 1]  // 选第 i 件
                );
            }
        }
    }
    return dp[n][W];
}

拿 wt = [1, 3, 4]、val = [15, 20, 30]、W = 4 填一遍表，状态转移就一目了然（每格 = “不选它” 与 “选它” 的较大者）：

dp	w=1	w=2	w=3	w=4
i=0（无物品）	0	0	0	0
i=1（重1值15）	15	15	15	15
i=2（重3值20）	15	15	20	35
i=3（重4值30）	15	15	20	35

压缩成一维数组时，容量必须倒序遍历（w 从 W 往小走），保证 dp[w - wt[i]] 取到的还是"上一行"的旧值——每件物品只被选一次。这是 01 背包最常考的实现细节。

2.4 系列二：子序列问题（双指针撞在表上）

编辑距离、最长公共子序列、最长回文子序列，套路一致：两个指针分别从两个字符串的尾部往前走，dp 表二维，指针的每种走法对应表里的一个相邻格子。

以**编辑距离（LeetCode 72：给两个字符串 s1、s2，允许插入、删除、替换三种操作，求把 s1 变成 s2 的最少操作次数）**为例：dp[i][j] 表示 s1 的前 i 个字符变成 s2 的前 j 个字符所需的最少操作数。指针在 i, j 处时，如果字符相同就白走一步（dp[i-1][j-1]），否则三种操作对应三个相邻格子：

int minDistance(String s1, String s2) {
    int m = s1.length(), n = s2.length();
    int[][] dp = new int[m + 1][n + 1];
    for (int i = 1; i <= m; i++) dp[i][0] = i; // base case：s2 为空，删光
    for (int j = 1; j <= n; j++) dp[0][j] = j; // base case：s1 为空，插满
    for (int i = 1; i <= m; i++) {
        for (int j = 1; j <= n; j++) {
            if (s1.charAt(i - 1) == s2.charAt(j - 1)) {
                dp[i][j] = dp[i - 1][j - 1];        // 字符相同，什么都不做
            } else {
                dp[i][j] = Math.min(
                    Math.min(dp[i - 1][j] + 1,      // 删：i 指针前移
                             dp[i][j - 1] + 1),     // 插：j 指针前移
                    dp[i - 1][j - 1] + 1            // 改：两个指针都前移
                );
            }
        }
    }
    return dp[m][n];
}

**最长公共子序列（LeetCode 1143：给两个字符串，求它们最长公共子序列的长度，子序列不要求连续）**是同一框架的另一个变体：字符相同时 dp[i][j] = dp[i-1][j-1] + 1，不同时取 max(dp[i-1][j], dp[i][j-1])——表的形状和编辑距离完全一样，只是"不匹配"时的转移规则不同。

最长递增子序列（LeetCode 300：给一个整数数组，求最长严格递增子序列的长度，子序列不要求连续） 则是单序列的代表：dp[i] 表示"以 nums[i] 结尾"的最长递增子序列长度，状态转移是回头看所有比它小的元素：

int lengthOfLIS(int[] nums) {
    int[] dp = new int[nums.length];
    Arrays.fill(dp, 1); // 每个元素自己就是长度 1 的递增子序列
    int res = 0;
    for (int i = 0; i < nums.length; i++) {
        for (int j = 0; j < i; j++) {
            if (nums[j] < nums[i]) {
                dp[i] = Math.max(dp[i], dp[j] + 1);
            }
        }
        res = Math.max(res, dp[i]);
    }
    return res;
}

书里还给了 O(n log n) 的二分优化，视角很妙：递增子序列问题等价于玩纸牌游戏"耐心排序"——维护若干牌堆顶，每张牌放到第一个不小于它的堆顶，堆数就是 LIS 长度，堆顶数组天然单调递增所以可二分。一题多解，但起点都是那个 O(n^2) 的 dp 定义。

2.5 系列三：股票买卖——状态机是 DP 的特例

股票系列六题，书里用一个状态机统一吃掉：状态是三元组"第几天、手里有没有股票、还能交易几次"，每天的选择只有买、卖、不动三种。

stateDiagram-v2
    state "手里无股票" as s0
    state "手里有股票" as s1
    [*] --> s0
    s0 --> s1 : 买入
    s1 --> s0 : 卖出
    s0 --> s0 : 不动
    s1 --> s1 : 不动

以**含冷冻期（LeetCode 309：给一个每日股价数组，可多次买卖但同一时刻最多持有一股，且卖出后第二天不能买入，求最大利润）**为例——只需让"买入"依赖前天的状态：

int maxProfit(int[] prices) {
    int dp_i_0 = 0;                  // 今天结束时手里无股票的最大利润
    int dp_i_1 = Integer.MIN_VALUE;  // 今天结束时手里有股票的最大利润
    int dp_pre_0 = 0;                // dp[i-2][0]，前天的无股票利润（冷冻期用）
    for (int i = 0; i < prices.length; i++) {
        int temp = dp_i_0;
        dp_i_0 = Math.max(dp_i_0, dp_i_1 + prices[i]);    // 昨天就无 / 今天卖出
        dp_i_1 = Math.max(dp_i_1, dp_pre_0 - prices[i]);  // 昨天就有 / 前天无、冷冻后今天买入
        dp_pre_0 = temp;
    }
    return dp_i_0; // 最后一天还持有股票没有意义，答案必在"无股票"状态
}

限交易次数就再加一维 k，“买卖一次"是 k = 1，“不限次数"是 k 等于无穷大从而可以省略——六题全是同一套状态机的参数变化。

2.6 系列四：打家劫舍——偷或不偷

原题（LeetCode 198）：一排房屋，每间藏有一定现金，相邻两间不能同时偷（否则触发警报），求最多能偷多少。状态是"当前到第几间房”，选择是"偷或不偷”：偷了第 i 间就不能偷第 i - 1 间。环形版（LeetCode 213：房屋围成一圈，首尾不能同时偷）拆成"去掉首"和"去掉尾"两个普通版各跑一遍取最大；树上版（LeetCode 337：房屋被组织成一棵二叉树，直接相连的父子节点不能同时偷）把 dp 挂到二叉树的后序遍历上——又回到第 3 节的递归框架。

书里那句大实话：状态转移方程不是想出来的，是把"状态、选择、base case"三步老老实实走完，它自己浮出水面的。

3. 二叉树：所有递归的练兵场

作者反复强调：递归的所有技巧都可以在二叉树上练，因为二叉树的遍历框架是最小、最干净的递归模板。

void traverse(TreeNode root) {
    // 前序位置：进入节点时执行
    traverse(root.left);
    // 中序位置
    traverse(root.right);
    // 后序位置：离开节点时执行
}

框架里注释掉的那三个位置，是全书树题的题眼：

前序位置的代码在"刚进入节点"时执行，此时只能利用父节点传下来的信息；
后序位置的代码在"离开节点"时执行，此时已经拿到左右子树的计算结果——凡是要"汇总子树信息"的题（直径、最大路径和、判断是否平衡），答案一定在后序位置；
中序位置在 BST 里等于升序遍历，BST 的题大多围绕这个性质。

一个前序位置的最简例子是翻转二叉树（LeetCode 226：给一棵二叉树，交换每个节点的左右子树）——交换只用当前节点自身的信息，天然属于前序位置：

TreeNode invertTree(TreeNode root) {
    if (root == null) return null;
    // 前序位置：先交换当前节点的左右孩子，再递归下去
    TreeNode temp = root.left;
    root.left = root.right;
    root.right = temp;
    invertTree(root.left);
    invertTree(root.right);
    return root;
}

书里给递归定了一条纪律，专治"递归想不清楚"：写递归函数时，只定义"这个函数对当前节点做什么"，绝不在脑子里跳进递归里追细节——递归树天然存在，你跳进一层就会跳进无数层。

3.1 例题：二叉树的直径（LeetCode 543）——后序位置的教科书用法

直径是任意两节点间最长路径的边数。关键观察：经过某个节点的最长路径 = 左子树深度 + 右子树深度。要拿到左右子树的深度，代码必须放在后序位置：

int maxDiameter = 0;

int maxDepth(TreeNode root) {
    if (root == null) return 0;
    int left = maxDepth(root.left);   // 先递归拿到子树结果
    int right = maxDepth(root.right);
    // 后序位置：此刻已掌握左右子树的全部信息
    maxDiameter = Math.max(maxDiameter, left + right);
    return 1 + Math.max(left, right); // 向父节点汇报自己的深度
}

注意这个函数的"双重身份"：返回值是"深度"（给父节点用），全局变量维护的是"直径"（答案本身）。想清楚函数向上一级汇报什么，后序位置的题就通了。

3.2 例题：最近公共祖先（LeetCode 236）

给一棵二叉树和两个节点 p、q，求它们的最近公共祖先——即同时是两者祖先、且深度最大的那个节点：

TreeNode lowestCommonAncestor(TreeNode root, TreeNode p, TreeNode q) {
    if (root == null) return null;
    if (root == p || root == q) return root; // base case：当前就是目标之一
    TreeNode left = lowestCommonAncestor(root.left, p, q);
    TreeNode right = lowestCommonAncestor(root.right, p, q);
    // 后序位置：左右各找到一个，说明当前节点就是分叉点
    if (left != null && right != null) return root;
    return left != null ? left : right;
}

短短五行，能写对的前提是把函数定义想死：“返回以 root 为根的树里 p、q 的最近公共祖先，找不到就返回 null”，然后只处理当前节点这一层，剩下的交给递归。

3.3 BST：把二分查找搬到树上

BST 的中序遍历是升序序列，这一条性质撑起一族题。**第 K 小元素（LeetCode 230：给一棵 BST 和整数 k，求第 k 小的节点值）**就是中序遍历数到第 k 个：

int count = 0, res = 0;

int kthSmallest(TreeNode root, int k) {
    traverse(root, k);
    return res;
}

void traverse(TreeNode root, int k) {
    if (root == null) return;
    traverse(root.left, k);
    count++;                    // 中序位置：按升序被访问
    if (count == k) { res = root.val; return; }
    traverse(root.right, k);
}

BST 的增删查改则演示了另一个套路：利用"中序有序"的特性，每一步都是"和当前节点比大小，决定进左子树还是右子树"——查（LeetCode 700）、插（LeetCode 701）、删（LeetCode 450）都是这个模式，本质是把二分查找的"区间折半"换成了"子树取舍"。删除节点时唯一麻烦的是目标节点有两个孩子：用右子树的最小节点（或左子树的最大节点）替位，保证 BST 性质不被破坏。

4. 回溯：决策树的 DFS

回溯算法在书里的定位非常干脆：回溯就是暴力穷举一棵决策树，外加撤销选择。它和动态规划是亲兄弟——都是穷举，区别是回溯解决的问题没有重叠子问题（或者指数级的解空间本身就是你要的输出），所以备忘录帮不上忙，只能老老实实走完整棵树。

框架就五行伪代码：

result = []
void backtrack(路径, 选择列表) {
    if (满足结束条件) { result.add(路径); return; }
    for (选择 : 选择列表) {
        做选择（把选择加进路径）
        backtrack(路径, 更新后的选择列表)
        撤销选择（把选择从路径里删掉）
    }
}

三个要素：路径（已做的选择）、选择列表（当前可做的选择）、结束条件（到达决策树叶子）。

flowchart TD
    A["全排列问题<br/>选择列表 1 2 3"] --> B["选1<br/>列表剩 2 3"]
    A --> C["选2<br/>列表剩 1 3"]
    B --> D["选2 列表剩3<br/>到达叶子 收集结果"]
    D -.->|"撤销选择<br/>回到父节点"| B
    B -.->|"撤销选择"| A

4.1 例题：全排列（LeetCode 46）——框架的标准照

给一个不含重复数字的数组，返回它的所有可能排列。每层的选择列表是"还没用过的数字"，结束条件是路径长度等于 n：

List<List<Integer>> res = new LinkedList<>();
LinkedList<Integer> track = new LinkedList<>(); // 路径
boolean[] used;                                  // 标记哪些数字已进路径

List<List<Integer>> permute(int[] nums) {
    used = new boolean[nums.length];
    backtrack(nums);
    return res;
}

void backtrack(int[] nums) {
    if (track.size() == nums.length) {  // 结束条件：到达叶子
        res.add(new LinkedList<>(track));
        return;
    }
    for (int i = 0; i < nums.length; i++) {
        if (used[i]) continue;      // 已在路径里的跳过
        track.add(nums[i]);         // 做选择
        used[i] = true;
        backtrack(nums);
        track.removeLast();         // 撤销选择：关键一步，漏了就错
        used[i] = false;
    }
}

4.2 例题：子集（LeetCode 78）——结束条件藏在收集时机里

给一个不含重复元素的数组，返回它的全部子集（幂集，共 2^n 个）。子集和排列的差别很小，却体现回溯的精髓：每个节点（不只叶子）都是一个子集，所以一进函数就先收集；再用 start 参数剪掉"回头路"，避免 [1,2] 和 [2,1] 算重：

List<List<Integer>> res = new LinkedList<>();
LinkedList<Integer> track = new LinkedList<>();

List<List<Integer>> subsets(int[] nums) {
    backtrack(nums, 0);
    return res;
}

void backtrack(int[] nums, int start) {
    res.add(new LinkedList<>(track));   // 前序位置收集：每个节点都是答案
    for (int i = start; i < nums.length; i++) {
        track.add(nums[i]);
        backtrack(nums, i + 1);         // start 保证只往后选，组合不重复
        track.removeLast();
    }
}

组合（LeetCode 77：从 1 到 n 中选出 k 个数的所有组合）、组合总和（LeetCode 39：数组元素可重复选用，求所有凑成目标和的组合）全是这个模板的微调：改一下结束条件、允许不允许重复选同一个元素而已。

4.3 例题：N 皇后（LeetCode 51）——剪枝的价值

在 n×n 的棋盘上放置 n 个皇后，要求任意两个不互相攻击（不同行、不同列、不同对角线），返回所有合法摆法。逐行放皇后是"做选择"，列和两条对角线的冲突检测是"剪枝"——回溯的效率全靠剪枝，剪掉一个不合法的分支就是砍掉一整棵子树：

List<List<String>> res = new ArrayList<>();

List<List<String>> solveNQueens(int n) {
    char[][] board = new char[n][n];
    for (char[] row : board) Arrays.fill(row, '.');
    backtrack(board, 0);
    return res;
}

void backtrack(char[][] board, int row) {
    if (row == board.length) {      // 结束条件：最后一行也放好了
        List<String> snapshot = new ArrayList<>();
        for (char[] r : board) snapshot.add(new String(r));
        res.add(snapshot);
        return;
    }
    for (int col = 0; col < board.length; col++) {
        if (!isValid(board, row, col)) continue; // 剪枝：冲突直接跳过
        board[row][col] = 'Q';      // 做选择
        backtrack(board, row + 1);  // 逐行放，行内天然不冲突
        board[row][col] = '.';      // 撤销选择
    }
}

boolean isValid(char[][] board, int row, int col) {
    // 只需检查上方：同列、左上对角、右上对角（下面的行还没放）
    for (int i = 0; i < row; i++)
        if (board[i][col] == 'Q') return false;
    for (int i = row - 1, j = col - 1; i >= 0 && j >= 0; i--, j--)
        if (board[i][j] == 'Q') return false;
    for (int i = row - 1, j = col + 1; i >= 0 && j < board.length; i--, j++)
        if (board[i][j] == 'Q') return false;
    return true;
}

“做选择 → 递归 → 撤销选择"这三板斧练熟，排列、组合、子集、括号生成（LeetCode 22：生成 n 对合法括号的所有组合）、解数独（LeetCode 37：填充 9×9 数独的空格，使每行、每列、每宫都合法），全是换皮。

5. BFS：最短路径的层序穷举

DFS 遍历到叶子才回头，BFS 则是一层一层往外扩——这个"齐头并进"的性质，决定了它的招牌场景：无权图的最短路径。因为第 k 层就是"距离起点 k 步"的所有节点，第一次撞到终点时，步数必然最少。

框架：队列 + visited 集合（防止走回头路死循环）：

Queue q;  q.offer(起点);  visited.add(起点);
int step = 0;
while (q 非空) {
    把当前层的所有节点一次性取出，向四周扩散;
    未访问过的邻居入队并标记 visited;
    step++;
}

5.1 例题：二叉树的最小深度（LeetCode 111）

给一棵二叉树，求从根节点到最近叶子节点的最短路径上的节点数。框架的"一次性取出当前层"用 sz = q.size() 实现，这是 BFS 分层的关键手法：

int minDepth(TreeNode root) {
    if (root == null) return 0;
    Queue<TreeNode> q = new LinkedList<>();
    q.offer(root);
    int depth = 1; // 起点算第 1 层
    while (!q.isEmpty()) {
        int sz = q.size();          // 锁定当前层的节点数
        for (int i = 0; i < sz; i++) {
            TreeNode cur = q.poll();
            if (cur.left == null && cur.right == null)
                return depth;       // 第一个遇到的叶子必是最浅的
            if (cur.left != null) q.offer(cur.left);
            if (cur.right != null) q.offer(cur.right);
        }
        depth++;
    }
    return depth;
}

为什么这题 BFS 优于 DFS？如果树很深但答案很浅（比如链式树、第二层就有叶子），DFS 会把最深的分支走完才回头，BFS 到第二层就收工。最短问题想 BFS，全部/存在性问题想 DFS，大体不会错。

5.2 例题：打开转盘锁（LeetCode 752）——什么都能抽象成图

从 “0000” 出发，每次只能把某一位向上或向下拨一格，不能经过 deadends 里的死亡组合，求到 target 的最少拨动次数。

抽象的一步最见功力：每个四位组合是一个节点，拨一下是一条边，“最少几次"就是无权图最短路径。每个节点固定有 8 个邻居（4 位 × 上下两个方向）：

int openLock(String[] deadends, String target) {
    Set<String> deads = new HashSet<>(Arrays.asList(deadends));
    Set<String> visited = new HashSet<>(); // 走过的组合，防死循环
    Queue<String> q = new LinkedList<>();
    q.offer("0000");
    visited.add("0000");
    int step = 0;
    while (!q.isEmpty()) {
        int sz = q.size();
        for (int i = 0; i < sz; i++) {
            String cur = q.poll();
            if (deads.contains(cur)) continue; // 死亡组合，掐断分支
            if (cur.equals(target)) return step;
            for (int j = 0; j < 4; j++) {      // 四个转盘
                String up = plusOne(cur, j);   // 第 j 位向上拨
                if (!visited.contains(up)) { visited.add(up); q.offer(up); }
                String down = minusOne(cur, j); // 第 j 位向下拨
                if (!visited.contains(down)) { visited.add(down); q.offer(down); }
            }
        }
        step++;
    }
    return -1;
}

作者还提了双向 BFS：从起点和终点同时扩散，两军会师即收兵，搜索空间从 O(b^d) 降到 O(b^(d/2))——但前提是终点明确。这种"优化只在特定前提成立时可用"的提醒，比优化本身更值钱。

同构的练习题是单词接龙（LeetCode 127：给起始词、结束词和词典，每次只能改一个字母且中间词必须在词典里，求最短转换序列的长度）——每个单词是节点、只差一个字母即连边，抽象完就是转盘锁换皮，双向 BFS 在此同样适用。

6. 双指针、滑动窗口与二分查找：线性结构的剪刀

线性结构（数组、链表、字符串）上的套路，全书归纳成三组"剪刀”。

6.1 快慢指针：链表的三板斧

例题一：删除链表的倒数第 N 个节点（LeetCode 19：给一个链表，删除倒数第 n 个节点并返回头节点）。 快指针先走 n 步，然后快慢同步走；快指针停在末尾时，慢指针正好落在待删节点的前一个：

ListNode removeNthFromEnd(ListNode head, int n) {
    ListNode dummy = new ListNode(-1, head); // 虚拟头节点，统一"删第一个"的情况
    ListNode fast = dummy, slow = dummy;
    for (int i = 0; i < n; i++) fast = fast.next; // 快指针先走 n 步
    while (fast.next != null) {   // 快慢同步，快指针停在最后一个节点
        fast = fast.next;
        slow = slow.next;
    }
    slow.next = slow.next.next;   // 慢指针恰好是待删节点的前驱
    return dummy.next;
}

例题二：环形链表 II（LeetCode 142：给一个链表，判断是否有环，有则返回环的入口节点）。 快指针走两步、慢指针走一步，能相遇则有环；相遇后让一个指针回到起点、两指针各走一步，再次相遇处就是环入口：

flowchart LR
    H["head"] --> A["..."] --> C["环入口"]
    C --> D["..."] --> E["第一次相遇点"]
    E --> F["..."] --> C

ListNode detectCycle(ListNode head) {
    ListNode fast = head, slow = head;
    while (fast != null && fast.next != null) {
        fast = fast.next.next;   // 快两步
        slow = slow.next;        // 慢一步
        if (fast == slow) break; // 相遇，证明有环
    }
    if (fast == null || fast.next == null) return null; // 走到头，无环
    slow = head;                 // 慢指针回起点
    while (slow != fast) {       // 各走一步再相遇，即环入口
        slow = slow.next;
        fast = fast.next;
    }
    return slow;
}

为什么回起点后同步走能定位环入口？设起点到环入口 k 步，相遇时慢指针走了 s 步、快指针走了 2s 步，多走的 s 步必在环里绕了整数圈——所以相遇点再前进 k 步就回到环入口，而起点前进 k 步也到环入口，二者必在那里碰头。书里用这张图把这个"巧合"讲成了算术。

同理，快指针到头时慢指针恰在链表中点（LeetCode 876：返回链表的中间节点），中点又是归并排序链表、回文链表判断（LeetCode 234：判断链表是否为回文——先找中点、反转后半段、再逐位比对）的入口。

6.2 左右指针：从两头夹逼

从数组两端向中间走，每步都能排除一批不可能解——有序数组两数之和（LeetCode 167：在升序数组中找出和为 target 的两个数的下标）、反转数组、回文判断、二分查找都是它。以两数之和为例：left 指小端、right 指大端，和偏小就 left++，偏大就 right--，数组的有序性保证每次移动都不会错过答案。

6.3 滑动窗口：最小覆盖子串（LeetCode 76）

本质是一个维护"窗口内某种状态"的左右指针：右指针负责扩张找可行解，左指针负责收缩找最优解。书里把最小覆盖子串当模板题——在 s 中找包含 t 全部字符的最短子串：

String minWindow(String s, String t) {
    Map<Character, Integer> need = new HashMap<>(), window = new HashMap<>();
    for (char c : t.toCharArray()) need.merge(c, 1, Integer::sum);

    int left = 0, right = 0, valid = 0;     // valid：计数已满足的字符种类数
    int start = 0, len = Integer.MAX_VALUE; // 最优解的起点和长度
    while (right < s.length()) {
        char c = s.charAt(right);
        right++;                            // 右指针扩张窗口
        if (need.containsKey(c)) {
            window.merge(c, 1, Integer::sum);
            if (window.get(c).equals(need.get(c))) valid++;
        }
        while (valid == need.size()) {      // 窗口已覆盖 t，开始收缩
            if (right - left < len) { start = left; len = right - left; }
            char d = s.charAt(left);
            left++;
            if (need.containsKey(d)) {
                if (window.get(d).equals(need.get(d))) valid--;
                window.merge(d, -1, Integer::sum);
            }
        }
    }
    return len == Integer.MAX_VALUE ? "" : s.substring(start, start + len);
}

need 和 window 两张计数表就是窗口的"状态”，valid 是"状态达标"的开关。这套写法一字不改地能套到无重复字符的最长子串（LeetCode 3：求不含重复字符的最长子串长度）、字符串的排列（LeetCode 567：判断 s2 的子串中是否存在 s1 的某个排列）、**找所有字母异位词（LeetCode 438：找出 s 中所有与 p 互为字母异位词的子串起点）**上，区别只在收缩条件和更新答案的时机。

6.4 二分查找：区间定义是一切的源头

单独成章，因为"细节是魔鬼"：while 条件带不带等号、mid 加一还是减一、right 初值是 n 还是 n - 1，网上答案互相矛盾。作者的解法是先声明你维护的搜索区间，其余全部推出，绝不靠记忆。以左闭右闭 [left, right] 为例：

int binarySearch(int[] nums, int target) {
    int left = 0, right = nums.length - 1; // 区间 [left, right] 两端都可能命中
    while (left <= right) {                // 区间为空（left == right + 1）才停
        int mid = left + (right - left) / 2; // 防溢出写法
        if (nums[mid] == target) return mid;
        else if (nums[mid] < target) left = mid + 1; // 新区间 [mid+1, right]
        else right = mid - 1;                        // 新区间 [left, mid-1]
    }
    return -1;
}

因为区间两端都"闭"，mid 已经查过就必须排除出新区间（所以 ± 1），循环条件就是 left <= right——每一行都能从区间定义推出来。

找左侧边界的变体（LeetCode 34：在含重复元素的升序数组中，找 target 第一次和最后一次出现的位置），只差"命中后不返回、继续向左收缩"：

int leftBound(int[] nums, int target) {
    int left = 0, right = nums.length - 1;
    while (left <= right) {
        int mid = left + (right - left) / 2;
        if (nums[mid] == target) right = mid - 1; // 锁定左侧，继续搜 [left, mid-1]
        else if (nums[mid] < target) left = mid + 1;
        else right = mid - 1;
    }
    if (left >= nums.length || nums[left] != target) return -1;
    return left;
}

这三组剪刀的共同思想：利用有序性或单调性，让指针每走一步都排除掉一批不可能解——这正是"聪明地穷举"在线性结构上的样子。

7. 其他套路速览：每个都记一句"什么时候用"

书的剩余部分是一批"小而锋利"的工具，先记一句话定位，再给两个最常用的补上关键代码：

前缀和：需要反复查询"某段区间的和"时，先花 O(n) 预处理，之后每次查询 O(1)；
差分数组：需要对区间反复做"整体加减"时，只改区间的两个端点，最后一次性重建（LeetCode 370：区间加法；LeetCode 1094：拼车——上下车区间叠加后不能超过座位数）；
单调栈：解决"下一个更大元素"——栈里维护递减序列，新元素把比它小的全弹出去，被弹者的答案就是它；
并查集：处理"连通性"问题，union 合并、find 查询，路径压缩后接近 O(1)（LeetCode 200：数网格中岛屿数量——逐格合并相邻陆地，或直接 DFS/BFS"沉岛"计数）；
LRU 缓存：哈希表 + 双向链表——哈希表负责 O(1) 查找，双向链表负责 O(1) 维护访问顺序，满了从尾部淘汰（LeetCode 146：实现一个 get/put 都是 O(1) 的缓存）；
洗牌算法（Fisher-Yates）：从后往前，每一位和它之前（含自己）的随机位交换，保证每种排列等概率（LeetCode 384：打乱数组）；
区间调度（贪心）：安排最多互不冲突的区间，按结束时间排序、每步选结束最早的（LeetCode 435：最少删除多少区间使剩余互不重叠——正是此题的反面）。

7.1 例题：每日温度（LeetCode 739）——单调栈

给一个温度数组，对每一天回答"还要等几天才会更热"。倒序入栈，栈内维护单调递减：

int[] dailyTemperatures(int[] T) {
    int[] res = new int[T.length];
    Deque<Integer> stack = new ArrayDeque<>(); // 存索引，对应温度单调递减
    for (int i = T.length - 1; i >= 0; i--) {
        while (!stack.isEmpty() && T[stack.peek()] <= T[i])
            stack.pop();              // 弹出不如我热的：它们已被"我"挡住
        res[i] = stack.isEmpty() ? 0 : stack.peek() - i;
        stack.push(i);
    }
    return res;
}

每个元素最多入栈出栈各一次，O(n) 搞定 O(n^2) 的暴力。“下一个更大/更小元素"这类字眼一出现，条件反射想单调栈。

7.2 例题：和为 K 的子数组（LeetCode 560）——前缀和 + 哈希表

朴素前缀和只能回答"从 0 到 i 的和”，配合哈希表记录每个前缀和的出现次数，就能 O(n) 数出所有和为 k 的连续子数组：

int subarraySum(int[] nums, int k) {
    Map<Integer, Integer> preSum = new HashMap<>(); // 前缀和 -> 出现次数
    preSum.put(0, 1); // 空前缀：和为 0 出现 1 次，处理从索引 0 开始的子数组
    int sum = 0, res = 0;
    for (int num : nums) {
        sum += num;                             // 当前前缀和
        res += preSum.getOrDefault(sum - k, 0); // 有几个前缀和等于 sum-k，就有几个合法子数组
        preSum.merge(sum, 1, Integer::sum);
    }
    return res;
}

核心等式：若 preSum[j] - preSum[i] = k，则 (i, j] 是一段合法子数组。把"枚举所有区间"变成"查一次哈希表"，又是给穷举减肥的典型。

8. 带走的清单

把全书压成一张刷题前的检查清单：

拿到题先分类

求最值、问"最少/最多/最长"？十有八九是动态规划——走"状态 → dp 定义 → 选择 → base case"四步（参考凑零钱、背包、编辑距离）。
要列出"所有可行解"（排列、组合、棋盘）？回溯——写"路径、选择列表、结束条件"，再想剪枝（参考全排列、子集、N 皇后）。
无权图里问"最短/最少几步"？BFS——队列加 visited，层序扩散（参考转盘锁）。
线性结构上找子串、配对、倒数第 k 个？先想双指针和滑动窗口，别急着上重型武器（参考最小覆盖子串、倒数第 N 个节点）。
有序数组里查找？二分——先声明搜索区间的开闭，再写代码。

写递归时的纪律

默念"一切递归皆树遍历"，画出那棵隐形的递归树。
只定义当前节点做什么，不跳进递归追细节（参考最近公共祖先的五行代码）。
想清代码该放前序、中序还是后序位置：用父节点信息放前序，汇总子树结果放后序（参考二叉树直径）。
递归树有大量重复子树？这就是重叠子问题，上备忘录或 DP 表（参考斐波那契）。

优化时的方向感

先写"暴力穷举但正确"的版本，再谈优化——备忘录、剪枝、指针单调性，全是给穷举减肥。
反复查区间和 → 前缀和；反复改区间 → 差分；问"下一个更大" → 单调栈；问连通性 → 并查集。
双向 BFS 这类优化有前提条件，用之前先确认前提成立。

心态上

不背题，背框架；题目是无穷的，框架是有限的。
刷题量在框架之后：框架不熟时刷 300 题，不如框架熟了刷 100 题。

这本书的最大价值不是哪个具体算法，而是它把刷题从"背答案的体力活"变成了"识别穷举结构的智力活"——看透每个技巧都只是在给穷举减肥，算法题就从玄学变回了工程。

参考书籍：labuladong（付东来）《labuladong 的算法小抄》，电子工业出版社（博文视点），2020；配套开源项目见其 GitHub 算法教程仓库。文中代码按书中框架用 Java 整理，对应 LeetCode 题号已标注。

《图解算法》学习笔记：一把尺子、一张地图，和算法的直觉

Thu, 02 Oct 2025 14:20:00 +0800

《图解算法》学习笔记：一把尺子、一张地图，和算法的直觉

目标读者：会写代码但没系统学过算法、一碰到"该用什么数据结构/算法"就凭感觉的新手；也适合学过但忘光了、想快速重建地图的老手。
参考书籍：Aditya Bhargava《图解算法》（Grokking Algorithms: An Illustrated Guide for Programmers and Other Curious People）
阅读目标：不追求覆盖每个细节，只提炼全书的骨架——一把评估工具的尺子（大 O），一张"问题形状 → 工具"的地图。

0. 写在前面：一本刻意"不完整"的算法书

算法书的光谱上，两端各有一座大山：

一端是《算法导论》（CLRS）：全面、严谨、数学化，厚得能挡子弹，也厚得让大多数人停在第三章。
另一端是刷题网站：直接给你题目和答案，见效快，但题目之间的"地形"要自己去悟。

《图解算法》刻意站在这两端之外。作者 Bhargava 是工程师出身、靠画画解释概念出名（他维护过 illustrated 技术博客），这本书的每一个算法都先配一幅手绘风格的图，再配一段短代码。它覆盖的主题只有十来个，每个都只讲"够用"的深度。

这不是缺点，是设计。这本书的定位是第一张地图：让你在"问题"和"工具"之间先建立起粗糙但正确的连接，知道某个形状的问题该往哪个方向走。地图粗糙没关系，怕的是手里连地图都没有。

全书十一章，蒸馏到最后其实是两件事：

一把尺子：大 O 表示法，用来评估任何工具的性能。
一张地图：识别问题的形状，映射到对应的工具——二分查找、分治、散列表、图搜索、贪婪、动态规划。

下面按这条主线展开。

1. 大 O：全书通用的货币

书从二分查找讲起，但二分查找只是引子，真正的主角是大 O 表示法——后面每一章都在花这种"货币"。

二分查找本身：在有序数组里找元素，每次猜中间值，把搜索空间砍半。100 个元素最多 7 次猜中，40 亿个元素最多 32 次。前提只有一个：数据必须有序。

大 O 说的不是时间，是增长趋势。它回答的问题是：“输入规模翻倍，运行时间怎么变？“书里反复出现的五种：

大 O	名字	书里的例子
`O(log n)`	对数时间	二分查找
`O(n)`	线性时间	简单查找（逐个翻）
`O(n log n)`	—	快速排序（平均）
`O(n^2)`	—	选择排序
`O(n!)`	—	旅行商问题的暴力解

新手最容易误解的三点，书里都点了名：

大 O 是最坏情况。简单查找运气好时第一次就命中，但大 O 管的是"倒霉到底"的那个上界。
大 O 吃掉了常数，但常数有时很重要。快排的常数因子比归并排序小，所以两者同为 O(n log n)，实践中快排通常更快——这是第四章的一个伏笔。
两种算法的差距会随规模放大。O(log n) 对 O(n)，在小数据上无所谓，在 40 亿条数据上是 32 次对 40 亿次。评估算法时先问自己：我的数据会涨到多大？

这把尺子从此不离手：后面每拿出一个新工具，第一件事就是量一量它。

2. 数据结构的地基：数组与链表

第三章之前，书先补了一块地基：内存里的数据只有两种基本摆法。

flowchart LR
    A["需要随机访问<br/>按下标直接拿"] --> B["数组<br/>读取 O(1)<br/>插入删除 O(n)"]
    C["需要频繁插入删除<br/>顺序遍历为主"] --> D["链表<br/>读取 O(n)<br/>插入删除 O(1)"]

数组：元素在内存里连排，知道下标就能直接跳过去；但插入一个元素，后面所有人都得挪窝，而且数组满了还得整体搬家。
链表：每个元素存着下一个的地址，插入删除只要改指针；但想找第 5 个，只能从头数过去。

选择排序在这里出场，不是因为它重要，而是因为它是一个绝佳的"反面教具”：每轮扫一遍数组找最小值，n 个元素扫 n 轮，O(n^2)。它存在的意义是让你亲身体会"为什么 O(n^2) 不能接受”，给后面的快排当对照组。

这一章的真正收获是一个思维模式：先说操作模式，再选数据结构。读写各半？那就得接受折中（后面散列表给出答案）。

3. 递归与分治：把问题缩到基线

递归在书里被拆成一句话：每个递归函数都有两部分——

基线条件（base case）：什么时候不再调用自己；
递归条件（recursive case）：什么时候调用自己。

漏掉基线条件就是死循环。而理解递归的物理载体是调用栈：每次调用往栈上压一层，栈顶永远是当前正在执行的函数。栈好用，但深度失控会爆栈——这是递归的隐形成本。

递归的最大用处是支撑**分治（Divide and Conquer）**策略。书里给分治的解题套路是：

找出尽可能简单的基线条件；
不断把问题分解（缩小规模），直到触及基线条件。

书的例子很妙：把一块 1680×640 的地均匀分成方块、要求方块尽可能大——每次"切掉一块最大的正方形，对剩下的部分重复同样的操作"，最后收敛到欧几里得算法。分治不是算法，是想问题的姿势。

快速排序是分治的招牌应用：

基线条件：数组元素少于 2 个，不用排。
递归条件：选一个基准值（pivot），把数组分成"比它小"和"比它大"两堆，对两堆分别快排。

快排的复杂度很讲政治：平均 O(n log n)，最坏 O(n^2)——最坏情况出现在每次都选到极端 pivot（比如对已排序数组总选第一个元素）。所以 pivot 的选择就是性能的关键，随机选是最省事的保险。

记住那个伏笔：快排平均情况的常数比归并排序小，所以它是工程实践的默认选择。大 O 相同不代表一样快，常数在日复一日地收税。

4. 散列表：用函数换时间

如果说数组和链表是两种"认命"的摆法，散列表（hash table）就是那个"我全都要"的答案：平均情况下，查找、插入、删除全是 O(1)。

它的构造朴素得不像话：

flowchart LR
    A["键 key"] --> B["散列函数<br/>把任意输入映射成固定数字"]
    B --> C["数组下标"]
    C --> D["值 value"]

一个合格的散列函数要满足：同样的输入永远得到同样的输出；不同的输入尽量映射到不同位置。于是"查找"从"翻箱倒柜"变成了"算一下地址直接拿"。

书里的三个经典用法，值得刻进肌肉：

查找表：电话簿、商品价格、DNS 解析——dict/map 存在的意义。
去重：投票站查"这人投过票没有"，把逐个翻名单变成 O(1) 查询。
缓存：服务器把算过的结果按 URL 存起来，下次直接给——所有 Web 框架都在这么干。

但散列表不是免费的，书也讲了两条暗线：

冲突（collision）：两个键被映射到同一位置。标准解法是链表法——这个位置存一个链表，所有撞车的都挂上去。冲突多了，散列表就退化成了链表，性能从 O(1) 滑向 O(n)。
负载因子（load factor）= 元素数 / 位置数。负载因子超过约 0.7 就该扩容（换个更大的数组重新散列）。扩容昂贵，但摊销到每次操作上仍然便宜。

工程直觉：散列表的平均 O(1) 建立在"散列函数好 + 负载受控"两个前提上。前提塌了，最坏 O(n) 在等着你。

5. 图搜索（一）：广度优先，用队列换最短

第六章把场景从"数组里找东西"升级到"网络里找关系"：在你的朋友关系网里，谁认识芒果经销商？

图就是节点加边，是对"关系"的建模。广度优先搜索（BFS）回答两类问题：

从 A 到 B 有没有路？
从 A 到 B 的最短路径（经过的边最少）是哪条？

算法的核心道具是队列（FIFO）：

把起点的朋友全部入队；
每次从队首取一个人检查：是芒果经销商吗？不是就把他的朋友加到队尾；
队列为空还找不到，就是不存在。

为什么队列保证"最短"？因为你按距离分层推进：一度人脉全部查完，才轮到二度人脉。第一个被找到的目标，一定在最少边数的那条路上。换栈（LIFO）就变成深度优先，性质全变——道具即语义。

两个工程细节别漏：

必须记录"已检查"名单（正好用上一章的散列表），否则关系网里有环时会在原地打转。
检查名单还顺便去重：同一个人被多个人介绍，只查一次。

树是特殊的图（没有环、没有指回祖先的边），所以这一章的思维方式覆盖了文件系统、组织结构、依赖关系等大量日常问题。

6. 图搜索（二）：狄克斯特拉，带权重的最短

BFS 找的是"段数最少"，但现实里每段路的代价不同——换乘 2 次但花 2 小时，和直达但花 3 小时，选哪个？狄克斯特拉算法（Dijkstra）处理的就是带权图的最短路径。

它的循环只有四步：

flowchart LR
    A["找出当前开销最小<br/>且未处理的节点"] --> B["检查它的邻居<br/>经由它是否更便宜"]
    B --> C["更便宜就更新<br/>邻居的开销和父节点"]
    C --> D["标记该节点已处理"]
    D --> A

关键直觉是贪心的有序性：一个"当前最便宜"的节点一旦被处理，它的最终开销就锁定了——因为不存在更便宜的迂回路线能再改进它（这正是不能有负权边的原因）。

书明确划了两条边界，比算法本身还值钱：

负权边禁用狄克斯特拉，改用贝尔曼-福特算法（Bellman-Ford）。负权边意味着"绕路反而赚钱"，廉价节点处理完后仍可能被改进，四步循环的前提崩了。
BFS 是狄克斯特拉的特例：所有边权重相等时，“段数最少"就是"开销最小”。学算法时这种"一般与特例"的父子关系，比单独记两个算法省一半脑子。

7. 贪婪算法：局部最优的边界

有些问题不存在快速精确解，贪婪算法的哲学是退而求其次：每步都选当前看起来最好的，拼出一个"足够好"的解。

书里的两个对比案例是这个哲学的完整两面：

教室调度：要在一间教室排最多的课。策略是"每步选结束最早的课"——这里的贪婪恰好就是最优解。
背包问题：小偷往包里装最值钱的商品，按"单价最高"贪婪地装，装不满，也装不到总价值最大——这里的贪婪只能拿到近似解。

同一个策略，一个精确一个近似，差别在问题结构。所以书的真正教益是后半章：识别 NP 完全问题。

旅行商问题、集合覆盖问题这类难题，精确解的复杂度是 O(n!) 或 O(2^n)，规模稍大就算不动。书里给的判断流程非常工程：

元素少时算法很快，元素一多就爆炸？可疑。
“所有组合"的字眼出现在解法里？可疑。
要算所有子集/所有排列才能出答案？基本坐实。

一旦确认撞上 NP 完全问题，正确动作不是硬算，而是换目标：用贪婪算法拿近似解。集合覆盖问题里，“每步选覆盖最多未覆盖电台的台"这个贪婪策略，能以 O(n^2) 的代价拿到足够好的答案。

完美是优秀的敌人，在 NP 完全问题面前，这句话是数学事实而不是鸡汤。

8. 动态规划：把大问题拆成可缓存的小问题

第九章是全书的智力高峰。动态规划（Dynamic Programming）的场景是：问题可以拆成子问题，且子问题的最优解能拼出大问题的最优解——那就先解子问题、存起来、再组装。

书用背包问题把整套方法演了一遍：背包容量 4 磅，商品有吉他、音响、笔记本电脑，各有限重和价值，怎么装总价值最大？

答案是画一张网格：

行是商品（逐个加入考虑范围）；
列是背包容量（1 磅到 4 磅，每个容量是一个子问题）；
每个单元格填：“只考虑前 i 件商品、容量为 j 时，能装的最大价值”。

填第 i 行第 j 列时，只有两种选择取最大：不装第 i 件（抄上一行的值），或者装（这件的价值 + 剩余容量在上一行的最优值）。填到右下角，答案自然浮现。

flowchart TD
    A["大问题<br/>容量4 全部商品"] --> B["子问题网格<br/>每个单元格 = 部分商品 + 部分容量"]
    B --> C["按行填表<br/>每格取两种选择的最大值"]
    C --> D["右下角 = 原问题的最优解"]

网格法同样解了最长公共子串（比如拼写检查里 hunish 更像 hunch 还是 fish）和最长公共子序列（diff 工具、生物序列比对的雏形）。两者的网格公式不同，书特意对比：子串要求连续，只在左上角相邻格匹配时加一；子序列允许跳跃，不匹配时取左格和上格的较大者。

动态规划的使用前提，书里埋了两条硬规则：

每个子问题必须是离散的、不互相依赖的——背包里装两件商品的"组合优惠”（比如去巴黎的行程互相抢时间）会毁掉方法；
它优化的是某个约束下的某个指标，先想清楚约束是什么、指标是什么，再画网格。

新手对动态规划的恐惧，九成来自没见过"网格"这个脚手架。见过一次，DP 就从玄学变成了填表。

9. K 最近邻：从算法走向机器学习的一脚

第十章画风突变，讲起了K 最近邻（KNN）——它不是传统意义上的"精确算法”，而是通往机器学习的引桥。

套路分两步：

特征抽取：把对象变成一组可比较的数值。判断橙子还是柚子，可以抽"大小"和"颜色"两个特征；推荐电影，就把用户口味变成若干维评分。
找邻居算距离：新对象来了，找特征空间里最近的 K 个已知对象，分类就看邻居里哪类多，回归就取邻居的平均值。

书顺手点了两条暗线：特征选得好不好决定一切（推荐系统里"喜好"这种主观特征比"年龄"有用得多）；以及回归——不只分类，还能预测数值（比如预测明天面包销量）。第十章还拿 OCR 和垃圾邮件过滤、预测股市当例子，并诚实地泼冷水：股市这种受太多不可测因素影响的对象，KNN 也无能为力。

这一章不求深，它是在全书结尾处把一扇门推开一条缝：算法世界的下一层是统计学习，特征工程是那层世界的"数据结构"。

10. 最后一章的真正价值：一张进阶地图

第十一章标题是"接下来如何做"，看似附录，实则是这本书最像"地图"的一章——它把十个更大的主题各用一页纸点了名，告诉你每个是干什么的、什么时候会撞上：

二叉查找树：有序数据的插入查找都比排序数组灵活，是数据库索引的原型。
反向索引：搜索引擎的核心——给每个词建一张"出现在哪些网页"的表，正好是散列表思路的工业化。
傅里叶变换：把信号拆成频率成分，MP3 压缩、地震预测、音乐识别都靠它。
布隆过滤器与 HyperLogLog：海量数据下的概率型判断——“这个 URL 我爬过吗？“允许极小的误判率，换来指数级的空间节省。
SHA 与局部敏感哈希：前者做安全散列和密码存储，后者（如 Simhash）让"相似内容"散列到相近位置，是查重和推荐的底层件。
Diffie-Hellman 密钥交换：双方在不安全的信道上协商出共享密钥，现代加密的基石。
线性规划：在给定约束下最大化目标，图论问题是它的特例，运筹学的发动机。
MapReduce 与并行算法：数据大到单机装不下时，把计算分发到成百上千台机器；并行排序的最优复杂度也从 O(n log n) 变成约 O(n)。

这一章的正确读法不是"学会”，而是建立索引：以后在真实工作里撞见"爬虫去重"“密码存储"“海量计数"这些词，你能想起"好像有个专门的东西解决这个”，再回头深查。地图的价值不在精细，在覆盖。

11. 带走的清单

把全书压成一张工位清单：

评估任何工具时

先问数据规模会涨到多大——小数据上无所谓的差距，大数据上是生死线。
用大 O 说最坏情况，别用"运气好"的例子安慰自己。
大 O 相同时，记得问常数因子（快排 vs 归并）；常数在日复一日地收税。
空间和时间一样要算：递归的调用栈、散列表的扩容、DP 的网格都是空间账单。

看到问题时先认形状

数据有序、要查找？二分查找，O(log n)。
要"按 key 秒查 / 去重 / 缓存”？散列表，盯紧负载因子。
关系网里找"最少几步”？BFS + 队列 + 已检查名单。
带代价的图里找"最便宜"？狄克斯特拉，先确认没有负权边。
问题能拆成独立子问题且子问题可复用？画 DP 网格，先写清约束和优化指标。
解法里出现"所有组合/所有排列"？多半是 NP 完全，别硬算，贪婪近似走起。

卡住时

试试分治：基线条件是什么？能不能把规模砍掉一块再递归？
试试换数据结构：很多"算法难题"其实是"数据摆错了地方"。
识别"当前问题是不是某个经典问题的特例"——BFS 之于狄克斯特拉，图论之于线性规划，特例意味着现成解法。

继续学

把第十一章当索引：布隆过滤器、反向索引、傅里叶变换、MapReduce，撞见了再深挖。
想系统化：去啃《算法导论》对应章节，那时你有地图了，不会迷路。
想练手感：刷题，但每道题先归类"这是什么形状的问题"，再看答案。

这本书两百多页、图比字多，值回票价的理由只有一个：它把"算法"从一门课变成了一箱工具，并且教会你拿起任何一件工具之前，先看清手里问题的形状。

参考书籍：Aditya Bhargava《图解算法》（Grokking Algorithms: An Illustrated Guide for Programmers and Other Curious People, Manning, 2016；中译本由人民邮电出版社出版）。

《算法与数据结构》教材学习笔记：一张地图看懂全书，附避坑技巧与典型题

Sat, 12 Nov 2022 10:30:00 +0800

《算法与数据结构》教材学习笔记

目标读者：正在学（或补）大学《算法与数据结构》这门课的新人。阅读目标：看完能对全书有一个整体地图；知道每种结构"什么时候用、怎么实现、容易踩什么坑"；能用简单代码解决典型问题。代码说明：实现采用 Python（简洁易懂、贴近伪代码），但思路与语言无关。

0. 开篇：这门课到底在讲什么

《算法与数据结构》整本书其实只回答一个问题：如何把"数据"组织起来，让"操作"更快。

教材里的任何一章，都可以拆成三句话：

逻辑结构：数据之间的关系（线性、树形、图状、集合）。
存储结构：这些关系在内存里怎么放（顺序存储 / 链式存储 / 散列存储）。
运算（算法）：在这种组织方式上怎么做增删改查，效率如何。

flowchart TD
    A[现实世界的问题] --> B[抽象出逻辑结构]
    B --> C{选存储结构}
    C --> C1[顺序存储<br/>连续内存, 随机访问快]
    C --> C2[链式存储<br/>指针串联, 增删快]
    C --> C3[散列存储<br/>哈希函数, 查找接近O1]
    C --> D[设计运算/算法]
    D --> E[用复杂度评估好坏]
    E --> F[得到可执行的程序]

新人最容易犯的错误，是上来就背代码。正确顺序是：先想清楚逻辑关系 → 再选存储方式 → 最后才是写算法。

评判算法好坏的尺子只有两个：

时间复杂度：操作次数随输入规模 n 增长的趋势（O(1) < O(log n) < O(n) < O(n log n) < O(n²) < O(2ⁿ)）。
空间复杂度：额外占用了多少内存。

避坑 #0：复杂度看的是"趋势"不是"精确次数"。O(2n+100) 就是 O(n)，常数和低阶项全部扔掉。

1. 全书知识地图

flowchart LR
    subgraph 基础["数据结构部分"]
        L1[线性表<br/>顺序表/链表]
        L2[栈与队列<br/>受限线性表]
        L3[串与数组<br/>KMP/特殊矩阵]
        L4[树<br/>二叉树/BST/赫夫曼/B树]
        L5[图<br/>遍历/最短路/生成树]
    end
    subgraph 算法["算法部分"]
        A1[查找<br/>顺序/二分/哈希]
        A2[排序<br/>插入/交换/选择/归并]
        A3[算法思想<br/>递归/分治/贪心/动态规划]
    end
    基础 --> 算法
    L1 --> L2 --> L3 --> L4 --> L5
    L4 --> A1
    L3 --> A2

学习主线一句话：线性表是地基，栈队列是线性表的特例，树和图是推广，查找和排序是应用，递归分治等思想贯穿始终。

2. 线性表：一切的起点

2.1 什么时候用哪种

	顺序表（Python 的 list）	链表
随机访问第 i 个	O(1)	O(n)
中间插入/删除	O(n)（要搬数据）	O(1)（找到位置后）
内存	连续，按需自动扩容	分散，逐个结点申请
典型场景	频繁按下标读、长度稳定	频繁增删、长度不确定

一句话场景判断：“读多写少用数组，增删多用链表”。（Python 的 list 是动态数组，自带扩容；教材里的链表则要自己定义结点类。）

2.2 单链表结构与操作图解

flowchart LR
    head[头指针] --> H((头结点))
    H --> A1[a₁] --> A2[a₂] --> A3[a₃] --> NULL[∅ None]

在结点 p 之后插入新结点 s，顺序不能反：

sequenceDiagram
    participant s as 新结点s
    participant p as 结点p
    participant n as p.next
    Note over s,n: 第一步: s.next = p.next (先接上后面)
    s->>n: s 指向 p 的后继
    Note over s,p: 第二步: p.next = s (再让 p 指向 s)
    p->>s: p 指向 s

避坑 #1：插入时如果先写 p.next = s，原来 p.next 指向的结点就丢了（断链）。永远先接后继，再改前驱。

2.3 简单实现：单链表反转

链表反转是理解指针（引用）操作的"Hello World"，也是面试必考：

class ListNode:
    def __init__(self, val=0, next=None):
        self.val = val
        self.next = next

def reverse_list(head: ListNode) -> ListNode:
    """原地反转单链表，返回新的头结点"""
    prev, cur = None, head
    while cur:
        nxt = cur.next   # 1. 先记住下一个，防止断链
        cur.next = prev  # 2. 掉头
        prev = cur       # 3. prev 前进
        cur = nxt        # 4. cur 前进
    return prev          # prev 停在原尾结点，即新头

避坑 #2：所有链表题，先建一个"虚拟头结点"（dummy node），可以让"删除头结点"和"删除中间结点"用同一套代码，不用特判，错误率直线下降。避坑 #3：引用操作完一定要检查边界：对 None 取 .next 会报 AttributeError，循环里每一步都问自己"这个引用可能是 None 吗"。

3. 栈与队列：加了规矩的线性表

flowchart LR
    subgraph 栈Stack["栈：后进先出 LIFO"]
        direction TB
        in1[入栈 push] --> top
        top[栈顶 top] --> out1[出栈 pop]
    end
    subgraph 队列Queue["队列：先进先出 FIFO"]
        direction LR
        rear[队尾 rear<br/>入队] --> q1[...] --> front[队首 front<br/>出队]
    end

3.1 场景速查

栈：括号匹配、表达式求值、函数调用栈、DFS、撤销（Undo）、浏览器后退。Python 里直接用 list，append() 入栈、pop() 出栈。
队列：BFS、消息队列、缓冲区、按层处理（如二叉树层序遍历）。Python 里用 collections.deque，append() 入队、popleft() 出队（不要用 list.pop(0)，那是 O(n)）。

判断口诀：“后进先出想栈，排队公平想队列”。

3.2 简单实现：括号匹配

def is_match(s: str) -> bool:
    """判断字符串中的 () [] {} 是否匹配"""
    pairs = {')': '(', ']': '[', '}': '{'}
    stack = []
    for c in s:
        if c in '([{':
            stack.append(c)          # 左括号入栈
        elif c in ')]}':
            if not stack:            # 坑：栈空还来右括号
                return False
            if stack.pop() != pairs[c]:
                return False
    return not stack                 # 坑：别忘了栈里可能剩左括号

避坑 #4：括号匹配的两个经典漏判——栈空时遇到右括号（如 ")("）和遍历完栈非空（如 "((("）。考试和面试最爱在这两个地方埋雷。避坑 #5：顺序队列用定长数组实现时会有"假溢出"（rear 到顶但前面有空位），解法是把数组首尾相接做成循环队列，用 (rear+1) % MAXSIZE == front 判满。（Python 的 deque 内部已处理好这个问题，但考试按教材的循环队列答。）

4. 串与 KMP：让字符串匹配不回退

朴素的字符串匹配：主串指针 i 每次失配都要回退，最坏 O(n·m)。

KMP 的核心思想一句话：失配时利用"已匹配部分的前后缀相同"信息，让主串指针 i 永不回退，只移动模式串指针 j，复杂度降到 O(n+m)。

flowchart TD
    A[i 指向主串, j 指向模式串] --> B{"s[i] == p[j] ?"}
    B -- 相等 --> C[i++, j++]
    B -- 不等且 j>0 --> D["j = next[j]<br/>(模式串自己回退, i 不动)"]
    B -- 不等且 j==0 --> E[i++]
    C --> F{j 到达模式串末尾?}
    D --> B
    E --> B
    F -- 是 --> G[匹配成功]
    F -- 否 --> B

避坑 #6：next 数组的定义是"模式串前 j 个字符中，最长的相等真前后缀长度"。很多人背了代码却没理解这句话，换道题就不会推。手工推 next 数组是教材必考题，务必练几次。

5. 树：最重要的非线性结构

5.1 二叉树长什么样

graph TD
    A((A 根)) --> B((B))
    A --> C((C))
    B --> D((D))
    B --> E((E))
    C --> F((F))

三种遍历对同一棵树的不同访问顺序：

遍历	顺序	上图结果	典型用途
前序	根→左→右	A B D E C F	复制树、表达式前缀形式
中序	左→根→右	D B E A F C	BST 中序 = 有序序列
后序	左→右→根	D E B F C A	释放树、计算目录大小

5.2 简单实现：递归遍历

class TreeNode:
    def __init__(self, val=0, left=None, right=None):
        self.val = val
        self.left = left
        self.right = right

def preorder(root: TreeNode):
    """前序遍历；把三行的顺序换成 LVR / LRV 就是中序/后序"""
    if root is None:         # 递归出口
        return
    visit(root)              # V：访问根
    preorder(root.left)      # L：遍历左子树
    preorder(root.right)     # R：遍历右子树

避坑 #7：树的题 90% 能用递归解决，写递归时先写递归出口（root is None），再写"我对当前结点做什么、把什么交给子树"。想不清就画一棵三层的树手动模拟。另外注意 Python 默认递归深度约 1000，树很深时要改迭代写法或调 sys.setrecursionlimit。避坑 #8：**“二叉搜索树（BST）中序遍历结果是升序”**这条性质是大量题目的钥匙——验证 BST、找第 K 小、找两结点最近公共祖先都靠它。

5.3 教材里的三种重要树

赫夫曼树：带权路径长度最短的树，用于赫夫曼编码（压缩）。构造方法：每次取权值最小的两棵合并（Python 里用 heapq 实现非常顺手）。
二叉搜索树（BST）：左子树所有值 < 根 < 右子树所有值。查找/插入/删除平均 O(log n)，但退化成链表时最坏 O(n)。
平衡二叉树（AVL）与 B 树：为了解决 BST 退化问题。AVL 靠旋转保持左右子树高度差 ≤ 1；B 树一个结点存多个关键字，矮而胖，是数据库索引和文件系统的基石。

避坑 #9：BST 删除有两个孩子的结点时，标准做法是用中序直接前驱（左子树最大）或中序直接后继（右子树最小）顶替，再删除那个顶替者。直接删会把子树搞丢。

6. 图：关系最一般的结构

6.1 怎么存

邻接矩阵：g[i][j] 表示 i 到 j 是否有边。适合稠密图，查边 O(1)，空间 O(n²)。
邻接表：每个顶点挂一个邻居列表。适合稀疏图，空间 O(n+e)，默认首选。Python 里用 dict[int, list[int]] 即可。

6.2 两种遍历

flowchart LR
    subgraph DFS["DFS 深度优先"]
        d1[访问v] --> d2[选一个未访问邻居<br/>递归深入] --> d3[无路可走才回溯]
    end
    subgraph BFS["BFS 广度优先"]
        b1[v 入队] --> b2[出队并访问] --> b3[所有未访问邻居入队] --> b2
    end

from collections import deque

def dfs(g: dict, v, visited: set):
    """DFS：递归 + visited 集合防环"""
    visited.add(v)
    visit(v)
    for w in g[v]:
        if w not in visited:
            dfs(g, w, visited)

def bfs(g: dict, s):
    """BFS：队列 + visited 集合"""
    visited = {s}
    q = deque([s])
    while q:
        v = q.popleft()
        visit(v)
        for w in g[v]:
            if w not in visited:
                visited.add(w)   # 坑：入队时就标记，不是出队时
                q.append(w)

避坑 #10：图遍历必须配 visited，漏了它遇到环就死循环。而且要在入队时（不是出队时）标记 visited，否则同一结点会被多次入队。

6.3 图的经典应用速查

问题	算法	一句话说明
无权图最短路径	BFS	按层扩展，第一次到达即最短
带权（非负）最短路	Dijkstra	每次挑当前距离最小的点"定稿"
最小生成树	Prim / Kruskal	连通所有点的最小代价（布线、修路）
课程先修顺序	拓扑排序	反复找入度为 0 的点输出
关键路径	AOE 网	工程中最长路径决定工期

6.4 简单实现：Dijkstra 最短路径

思想一句话：每次从未定稿的点里挑距离最小的点"定稿"，再用它去松弛所有出边（好比涟漪一圈圈扩散，最近的点最先确定）。用最小堆（heapq）把"挑最小"从 O(n) 降到 O(log n)，总复杂度 O((n+e) log n)。

import heapq

def dijkstra(g: dict, s) -> dict:
    """g[u] = [(v, w), ...] 表示 u->v 有一条权值为 w 的边（要求 w >= 0）
    返回 s 到各点的最短距离，不可达的点不在结果中"""
    dist = {s: 0}
    pq = [(0, s)]                      # (当前距离, 顶点)，最小堆
    done = set()                       # 已"定稿"的点
    while pq:
        d, u = heapq.heappop(pq)       # 挑出距离最小的点
        if u in done:                  # 坑：堆里可能有同一点的过期记录
            continue
        done.add(u)                    # 定稿：d 就是 s 到 u 的最短距离
        for v, w in g.get(u, []):
            if v not in done and d + w < dist.get(v, float('inf')):
                dist[v] = d + w        # 松弛：找到更短的路
                heapq.heappush(pq, (dist[v], v))
    return dist

# 示例：g = {'A': [('B', 5), ('C', 2)], 'B': [('C', 1)], 'C': [('B', 3)]}
# dijkstra(g, 'A') -> {'A': 0, 'C': 2, 'B': 5}

要点解释：

松弛：如果"经过 u 再到 v"比已知的 v 距离更短，就更新 v 的距离——dist[v] = d + w 那一行。
懒惰删除：堆里的记录可能已被更新（过期），出堆时用 done 集合跳过，避免入堆记录删不掉的麻烦。
想要具体路径而不只是距离？再维护一个 prev[v] = u 前驱字典，最后从终点倒推即可。

避坑 #11：Dijkstra 不能处理负权边（“定稿"假设一旦成立就被负边打破），有负权要用 Bellman-Ford。这是考研和面试的经典判断题。避坑 #12：拓扑排序排不完（输出点数 < 总点数）说明图中有环，工程上意味着任务依赖出现了死锁。

7. 查找

7.1 三种基本查找

方法	前提	平均复杂度	场景
顺序查找	无	O(n)	数据少、无序
二分查找	有序 + 顺序存储	O(log n)	静态有序数据
散列（哈希）查找	建哈希表	接近 O(1)	海量数据快速查询

7.2 简单实现：二分查找（正确写法）

def binary_search(a: list, key) -> int:
    """在有序数组 a 中找 key，找到返回下标，否则返回 -1"""
    l, r = 0, len(a) - 1
    while l <= r:
        mid = l + (r - l) // 2   # 通用写法，见避坑 #13
        if a[mid] == key:
            return mid
        elif a[mid] < key:
            l = mid + 1
        else:
            r = mid - 1
    return -1

避坑 #13：Python 的整数不会溢出，但 C/Java 里 mid = (l + r) / 2 在 l、r 很大时会整数溢出；统一写成 l + (r - l) // 2 是跨语言都安全的好习惯。（Python 工程代码直接用标准库 bisect 模块，但手写二分是基本功。）避坑 #14：二分的边界要全程统一——while l <= r 配 l = mid + 1 / r = mid - 1（闭区间写法），不要中途混用左闭右开的条件，否则差一错误（off-by-one）必现。

7.3 哈希的冲突处理

哈希查找快的前提是处理好冲突（两个关键字映射到同一位置）：

flowchart TD
    K[关键字 key] --> H[哈希函数 h key]
    H --> C{位置被占?}
    C -- 否 --> S[直接存放/命中]
    C -- 是 --> M1[开放定址法<br/>向后探测空位]
    C -- 是 --> M2[链地址法<br/>同位置挂链表]

开放定址法：冲突了就顺延找下一个空位（教材重点，删除要设"墓碑"标记）。
链地址法：同位置元素串成链表（工程主流，Python 的 dict 和 Java 的 HashMap 都用类似思路）。

避坑 #15：哈希表的效率取决于装填因子 α = 元素数 / 表长。α 越大冲突越多。工程上 α 超过 0.7 左右就该扩容了。

8. 排序：教材的重头戏

8.1 分类地图

flowchart TD
    S[内部排序] --> I[插入类]
    S --> X[交换类]
    S --> C[选择类]
    S --> M[归并类]
    I --> I1[直接插入 O n²]
    I --> I2[希尔排序 O n^1.3]
    X --> X1[冒泡 O n²]
    X --> X2[快速排序 O n log n<br/>平均最快]
    C --> C1[简单选择 O n²]
    C --> C2[堆排序 O n log n]
    M --> M1[归并排序 O n log n<br/>稳定]

8.2 一张表记住所有考点

排序	平均	最坏	空间	稳定?	一句话记忆
直接插入	O(n²)	O(n²)	O(1)	✅	打扑克插牌
希尔	O(n^1.3)	O(n²)	O(1)	❌	分组插入
冒泡	O(n²)	O(n²)	O(1)	✅	相邻交换，轻的浮上去
快速	O(n log n)	O(n²)	O(log n)	❌	分治：选定枢轴分两边
简单选择	O(n²)	O(n²)	O(1)	❌	每轮挑最小的放前面
堆	O(n log n)	O(n log n)	O(1)	❌	用堆反复取最值
归并	O(n log n)	O(n log n)	O(n)	✅	先分后合，合并两个有序段

避坑 #16：“稳定"指相等元素的相对顺序排序后不变。常见坑：快排、堆排、简单选择、希尔都不稳定；插入、冒泡、归并稳定。需要稳定性时（比如先按成绩排再按学号排），选归并。（Python 内置的 sorted() 是 Timsort，稳定，工程直接用它。）避坑 #17：快速排序在输入已基本有序 + 选第一个元素做枢轴时退化成 O(n²)，实际工程中要随机选枢轴或三数取中。

8.3 简单实现：快速排序

def quick_sort(a: list, l: int, r: int):
    """快排：分治思想。partition 把枢轴放到最终位置，左边都比它小，右边都比它大"""
    if l >= r:
        return
    p = partition(a, l, r)
    quick_sort(a, l, p - 1)   # 递归左半
    quick_sort(a, p + 1, r)   # 递归右半

def partition(a: list, l: int, r: int) -> int:
    pivot = a[l]              # 选首元素做枢轴（教学版）
    while l < r:
        while l < r and a[r] >= pivot:
            r -= 1
        a[l] = a[r]           # 小的补到左边
        while l < r and a[l] <= pivot:
            l += 1
        a[r] = a[l]           # 大的补到右边
    a[l] = pivot              # 枢轴归位
    return l

9. 算法思想：递归、分治、贪心、动态规划

教材后半部分的灵魂。四者关系一句话：递归是手段，分治是"拆开再合并”，贪心是"每步选当前最好”，动态规划是"记住算过的子问题别重算"。

flowchart TD
    P[大问题] --> D{能否拆成<br/>同类子问题?}
    D -- 能, 子问题独立 --> DC[分治<br/>如归并排序/快排]
    D -- 能, 子问题重叠 --> DP[动态规划<br/>存表避免重算]
    P --> G{每步局部最优<br/>能推出全局最优?}
    G -- 能 --> GR[贪心<br/>如赫夫曼/Kruskal]
    G -- 不能 --> DP

9.1 简单实现：爬楼梯（DP 入门第一题）

def climb_stairs(n: int) -> int:
    """一次爬 1 或 2 级台阶，n 级有多少种爬法？"""
    if n <= 2:
        return n
    a, b = 1, 2               # dp[1]=1, dp[2]=2
    for _ in range(3, n + 1):
        a, b = b, a + b       # dp[i] = dp[i-1] + dp[i-2]
    return b

避坑 #18：写动态规划先别动手写代码，先用一句中文说清"dp[i] 表示什么"（状态定义），再写状态转移方程。这两步想清楚了，代码是机械翻译。直接上手写代码的，十有八九死在边界初始化上。（递归版 DP 记得加 @functools.lru_cache，否则指数级重复计算。）

10. 典型问题速查表

典型问题	所属章节	解题钥匙
单链表反转 / 找倒数第 K 个结点	线性表	三指针原地反转 / 快慢指针
括号匹配、表达式求值	栈	左括号入栈，右括号出栈比对
约瑟夫问题	线性表/队列	循环链表模拟，或队列反复出队入队
汉诺塔	递归	把 n-1 个盘移到辅助柱 → 移大盘 → 再移回
判断/还原二叉树	树	前序+中序可唯一确定一棵树
求树高、叶子数	树	递归：`1 + max(左高, 右高)`
赫夫曼编码	树	每次合并最小两个权值（`heapq`）
迷宫问题	栈/DFS	栈记录路径，走不通就回溯
无权最短路	图/BFS	BFS 按层扩展
课程表能否修完	图/拓扑	拓扑排序 + 判环
前 K 大元素	堆	维护大小为 K 的小顶堆（`heapq`）
合并 K 个有序数组	归并	两两归并或堆

11. 全书避坑清单（考前/面试前过一遍）

复杂度只看最高阶，扔掉常数。
链表插入：先接后继，再改前驱；万能技巧：虚拟头结点。
括号匹配：查"栈空遇右括号"和"遍历完栈非空"两种漏判。
循环队列判满：(rear+1) % MAX == front；队列出队用 deque.popleft()。
KMP 的 next 数组要会手工推。
树的递归：先写递归出口；注意 Python 递归深度限制。
记住：BST 中序遍历 = 升序。
图遍历必须 visited，BFS 在入队时标记。
Dijkstra 不支持负权边；拓扑排不完 = 有环。
二分：mid = l + (r - l) // 2，区间定义全程统一。
哈希关注装填因子；开放定址法删除要打标记不能真删空。
快排/堆排/简单选择/希尔不稳定；快排怕有序输入。
动态规划：先说清 dp[i] 的含义，再写转移方程，最后处理初始化。

12. 学习路线建议

flowchart LR
    W1[第1-2周<br/>复杂度+线性表] --> W2[第3-4周<br/>栈/队列/串]
    W2 --> W3[第5-6周<br/>树与二叉树]
    W3 --> W4[第7-8周<br/>图]
    W4 --> W5[第9-10周<br/>查找+排序综合]

三点经验之谈：

每个结构都亲手实现一遍。看懂和会写之间隔着一条鸿沟，哪怕写得慢，也要自己敲出链表、栈、二叉树遍历、快排这"四大件"。
画图比读代码快。指针题、树题、图题，先在纸上画出结构变化，再翻译成代码，出错率低一半。
题做不出来别死磕。20 分钟没思路就看解析，重点搞懂"人家为什么想到用这个结构"，第二天独立重写一遍。吃透一类题，胜过囫囵刷一百道。

结语

《算法与数据结构》这本书看起来章节多，其实主线非常清晰：数据怎么组织（结构）→ 操作怎么实现（算法）→ 效率怎么评估（复杂度）。把这三问套到每一章，全书就从"一堆要背的知识"变成"一张可以推理的地图"。

希望这份笔记能帮你把地图先装进脑子里，剩下的，就是动手写、动手画、动手刷。

《数据结构与算法》教材笔记（树篇）：从二叉查找树一路推导到 B+ 树，为什么数据库索引非它不可

Wed, 02 Nov 2022 09:30:00 +0800

《数据结构与算法》教材笔记（树篇）：从二叉查找树一路推导到 B+ 树，为什么数据库索引非它不可

目标读者：学过一遍数据结构、能写二叉树遍历，但被问到"B 树和红黑树有什么区别、为什么 MySQL 用 B+ 树"就说不囫囵的同学。姊妹篇：《算法与数据结构入门学习总结》是刷题向的——讲双指针、滑动窗口、DP 模板，目标是过 LeetCode。这篇是教材向的——讲每种结构"为什么被发明出来"，目标是看懂工程世界。两篇文章覆盖的内容几乎不重叠，建议先读哪篇都行。实战印证：《MySQL 实战指南》里讲的索引失效、覆盖索引，《MongoDB 从入门到精通》里讲的 WiredTiger B 树页、页分裂，底层原理都在这篇里。

0. 这篇只讲一件事：树是怎么一步步被逼成 B+ 树的

教材里的结构很多，数组、链表、栈、队列、哈希、图……但刷题篇已经覆盖了大部分，这篇把 70% 的篇幅压在一根主线上——树的进化链：

flowchart LR
    A["二叉查找树 BST<br/>有序 但会退化"] -->|"痛点: 退化成链表"| B["AVL 树<br/>严格平衡"]
    B -->|"痛点: 旋转太频繁<br/>写多读少顶不住"| C["红黑树<br/>近似平衡 工程妥协"]
    C -->|"痛点: 再高也是二叉<br/>树太高 磁盘 I/O 多"| D["2-3 树<br/>一个节点放多个 key"]
    D -->|"推广"| E["m 阶 B 树<br/>阶数对齐磁盘页"]
    E -->|"痛点: 内节点存数据<br/>范围扫描难"| F["B+ 树<br/>内节点纯索引<br/>叶节点链表"]
    style F fill:#ffd699

每一步都不是"更高级"，而是上一步在某个具体场景下撑不住了。记住这条链上的每个箭头，你就永远不会把 B 树讲成背定义。

另外教材里还有两个刷题篇没覆盖的点——哈希冲突的两种解法、图的最短路径与最小生成树——放在最后简单补全。

1. 二叉查找树：一切的开始，和它的死穴

二叉查找树（BST）的规则一句话：左子树所有值 < 根 < 右子树所有值。查找、插入、删除平均都是 O(log n)，看起来很美。

死穴：它不管自己的形状。 按 1, 2, 3, 4, 5, 6, 7 的顺序插入，你会得到：

flowchart TD
    A[1] --> B[2]
    B --> C[3]
    C --> D[4]
    D --> E[5]
    E --> F[6]
    F --> G[7]
    style A fill:#ffcccc

这棵树退化成了链表，查找变成 O(n)。而"按顺序插入"在真实世界里太常见了——自增 ID、时间戳，天然就是有序的。BST 的平均复杂度是拿"数据随机到达"换来的，工程上没人敢赌这个。

所以需要平衡：插入删除时主动调整形状，保证树高稳定在 log n。怎么调？教材给了两个答案，一个完美主义，一个实用主义。

2. AVL 树：完美主义的代价

AVL 的规则：任意节点的左右子树高度差不超过 1。这是最严格的平衡，树高被死死压在约 1.44 log n，查找最快。

代价是：每次插入删除破坏平衡时，要做旋转来修复。四种失衡形态：

flowchart TB
    subgraph LL["LL 型：左孩子的左子树插入"]
        direction LR
        L1["  30        右旋        20<br/>  /           →        /  \<br/>20                 10   30<br/>/<br/>10"]
    end
    subgraph RR["RR 型：右孩子的右子树插入"]
        direction LR
        R1["10          左旋          20<br/>  \\          →         /  \<br/>  20                 10   30<br/>    \\<br/>    30"]
    end
    subgraph LRRL["LR / RL 型：拐弯失衡 → 先转成 LL/RR 再转<br/>（两次旋转）"]
        LR1["先对子树反向旋转<br/>再对根旋转"]
    end

旋转本身不复杂，麻烦的是频率：插入最多旋 2 次就停，但删除可能要从底向上旋 O(log n) 次。读多写少的场景没问题，写多读少的场景（比如频繁更新的索引）旋转本身就吃掉了平衡带来的收益。

学习心得：我当年把四种旋转的图背得滚瓜烂熟，考试一过全忘了。后来发现根本不用背——LR 就是"先左旋成 LL，再右旋"，四种形态只是"一次还是两次、往哪边转"的组合。理解失衡的方向比记图重要。

3. 红黑树：工程妥协的胜利

红黑树放弃了"严格平衡"，换成一组染色规则：

每个节点非红即黑；
根和叶子（NIL）是黑；
红色节点的孩子必须是黑（不能有两个红挨着）;
任意节点到其所有后代叶子的路径上，黑节点数量相同（黑高一致）。

这四条合起来保证的不是"左右一样高"，而是一个更弱的结论：最长路径不超过最短路径的 2 倍。树高 ≈ 2 log n，比 AVL 略高，但换来的是插入删除平均只需 O(1) 次旋转。

flowchart TB
    subgraph AVL对比["AVL vs 红黑树"]
        direction LR
        V1["AVL<br/>高 1.44·log n<br/>查得快<br/>删最多旋 log n 次"]
        V2["红黑树<br/>高 2·log n<br/>查得稍慢<br/>旋 O(1) 次收工"]
    end
    V1 -.->|"读写均衡时<br/>工程选它"| V2
    style V2 fill:#e8f4e8

红黑树是工程世界的宠儿：Java 的 TreeMap、Linux 内核的 CFS 调度器、epoll 的就绪队列、C++ 的 std::map，全是它。面试被问"为什么用红黑树不用 AVL"，标准答案就是这一句：读多写少用 AVL（查得快），读写均衡用红黑树（调整便宜）。

踩坑故事 1：手撕红黑树是最不值的投入 面试准备期我花了一周想手写红黑树的删除——三种 Case、镜像三种、还有双重黑的修复，写完 200 行测试还是漏了一个分支。后来和做了十年基础设施的朋友聊，他说：“我工作里一次都没写过红黑树，但我每周都在做红黑树式的决策——在’严格’和’够用’之间选够用。“那一周的真正收获不是会写了，而是看懂了工程权衡的形状。

4. 2-3 树：B 树的真身，换个方向解决平衡

AVL 和红黑树都是"二叉 + 旋转修复”。2-3 树换了个思路：允许一个节点放多个 key，靠节点分裂来维持平衡。

规则：

节点分两种：2-节点（1 个 key，2 个孩子）、3-节点（2 个 key，3 个孩子）；
所有叶子在同一层（绝对平衡，比 AVL 还狠）；
插入永远发生在叶子：叶子满了（临时变成 3 个 key）就中间 key 向上分裂，父节点跟着调整，可能一路裂到根——树是这样"从下往上长"的。

一次分裂长这样：

flowchart TB
    subgraph BEFORE["插入 7，叶子已有 5 6，临时三 key 超载"]
        B1["      [9]<br/>  [5,6]  ← 插入7后变 [5,6,7]"]
    end
    subgraph AFTER["中间 key 6 上提，裂成两个节点"]
        A1["        [6,  9]<br/>   /     |      \\<br/> [5]   [7]   [...]"]
    end
    BEFORE --> AFTER

2-3 树的意义不在它自己（几乎没人直接用），而在于它证明了一件事：平衡不一定靠旋转，也可以靠"节点容量 + 向上分裂”。把这个思路的容量从 2 个 key 放大到几百个，就是 B 树。

顺带一提：红黑树其实就是 2-3 树的二叉表示——把 3-节点的两个 key 用一条红色边连起来，就是红黑树。理解了 2-3 树再回头看红黑树规则，“不能两个红挨着"就是"一个 3-节点最多两个 key”，瞬间全部通顺。这是教材推导最美的一段。

5. B 树：为磁盘而生的矮胖树

5.1 为什么二叉树到了磁盘上就不行了

到这里要引入这篇的真正主角：磁盘 I/O。内存里比较一次是纳秒级，磁盘读一次是毫秒级（机械盘）到几十微秒级（SSD），差着 4~6 个数量级。所以磁盘世界的复杂度单位不是"比较次数"，而是"读了几个磁盘页"。

一棵 100 万个 key 的平衡二叉树，高约 20 层——查一个 key 最坏要 20 次磁盘 I/O。这就是为什么二叉平衡树统治内存、却进不了磁盘。

B 树的解法简单粗暴：把每个节点做到一个磁盘页那么大（InnoDB 默认 16KB）。一页能放几百个 key，树高立刻塌下来：

flowchart TB
    subgraph BTREE["一棵 m 阶 B 树（每个节点 = 一个 16KB 磁盘页）"]
        ROOT["根页<br/>[k1 | k2 | ... | k400]<br/>1 次 I/O"]
        ROOT --> L2A["内页<br/>400 个 key<br/>1 次 I/O"]
        ROOT --> L2B["内页 ..."]
        ROOT --> L2C["内页 ..."]
        L2A --> L3["叶页层<br/>每页 400 条记录<br/>1 次 I/O"]
    end
    NOTE["100 万 key：树高 ≈ 2~3<br/>= 最多 3 次磁盘 I/O"]

算一笔账：每页 400 个 key，两层就是 400 × 400 = 16 万，三层就是 6400 万。1 亿条数据的索引，3 次 I/O 定位——这就是"千万级数据 B 树也就 4 层"（MongoDB 篇里的那句话）的出处。

5.2 m 阶 B 树的定义（五条，一条都不能少）

每个节点最多 m 个孩子（m 阶）；
非根节点至少有 ⌈m/2⌉ 个孩子（保证节点不会太空）；
有 k 个孩子的节点恰好有 k-1 个 key，key 排序，充当孩子之间的"路标"；
所有叶子在同一层；
根至少 2 个孩子（除非是叶子）。

插入和删除是 2-3 树逻辑的放大版：

flowchart LR
    subgraph 插入["插入：叶子满了就分裂"]
        I1["叶子 key 数 = m<br/>超载"] --> I2["中间 key 上提<br/>裂成两半<br/>各留 ⌈m/2⌉-1 个"]
        I2 --> I3["父节点也满？<br/>继续向上裂<br/>最坏裂到根 树高+1"]
    end
    subgraph 删除["删除：节点太空就借/并"]
        D1["key 数 < ⌈m/2⌉-1"] --> D2{"兄弟有富余？"}
        D2 -->|有| D3["向兄弟借一个<br/>（父key下来 兄弟key上去）"]
        D2 -->|没有| D4["和兄弟合并<br/>父key拉下来<br/>可能连锁合并"]
    end

B 树的树高增长只有一种方式：根节点分裂。 这保证了它永远不会退化——这是比 BST 强在根上的地方。

踩坑故事 2：自增主键 vs UUID，B 树结构的真实代价 早年在 MySQL 里给一张日志表用了 UUID 做主键，量小的时候没感觉，过了 5000 万行插入速度腰斩再腰斩。原因就在 B 树的插入路径：自增主键永远往最右的叶子追加，页满了裂一次，顺序 I/O；UUID 是随机落到任意叶子，每插一条都可能读一个冷页、裂一个热页，还伴随着页分裂后的空间碎片（页利用率掉到 60% 多）。换回自增 BIGINT 后写入吞吐翻了近 3 倍。这不是玄学，就是 B 树分裂频率的差。这也是为什么分布式 ID 方案（雪花 ID）都强调"趋势递增"——在讨好 B+ 树。

6. B+ 树：补上最后一刀，数据库的终点站

B 树已经很好了，B+ 树只改了两处，却是数据库索引的定论：

flowchart TB
    subgraph B树["B 树：key 和数据混在一起"]
        BR["内节点<br/>[key+data | key+data]"]
        BR --> BL1["叶节点<br/>key+data"]
        BR --> BL2["叶节点<br/>key+data"]
        BN1["一个 key 的数据<br/>可能在内节点<br/>范围查询要跨层<br/>中序遍历上蹿下跳"]
    end
    subgraph BPLUS树["B+ 树：内节点纯索引，数据全在叶子"]
        PR["内节点<br/>[key | key | key]<br/>只当路标 不放数据"]
        PR --> PL1["叶节点<br/>key+data"]
        PR --> PL2["叶节点<br/>key+data"]
        PR --> PL3["叶节点<br/>key+data"]
        PL1 -->|"双向链表"| PL2
        PL2 -->|"双向链表"| PL3
        PN1["范围查询：定位起点后<br/>顺着链表扫<br/>全是顺序 I/O"]
    end
    style BPLUS树 fill:#e8f4e8

两处改动，每一处都打在磁盘场景的七寸上：

改动一：内节点不存数据，只存 key。 同样 16KB 一页，存"key+数据指针"可能只能放 100 个，纯 key 能放 1000 个。阶数 ×10，树再矮一层。而且内节点少且热，整个上层索引经常能全塞进内存，真实查询只有最后一步读叶子才碰磁盘。

改动二：叶子之间串成双向链表。 WHERE age BETWEEN 20 AND 30、ORDER BY ... LIMIT 这类范围扫描，B 树要在层间来回跳（随机 I/O），B+ 树定位到起点后顺着链表扫，顺序 I/O。机械盘时代这是百倍差距，SSD 时代预读和缓存依然偏爱顺序访问。

再附赠两个由此推出的性质，都是 MySQL 篇里出现过的实战规则：

聚簇索引下，叶子就是数据行本身，所以按主键查 = 一次定位，而二级索引叶子存的是主键值，要回表再查一次——这就是"覆盖索引为什么快"；
B+ 树的有序性 + 左前缀路标结构，决定了 LIKE '%abc' 没法走索引（开头通配，路标失效），LIKE 'abc%' 可以——MySQL 篇那句"会全表扫描"的底层解释就在这。

一句话记住 B 树 vs B+ 树：B 树是"查到什么都是赚"（内节点也可能命中数据），B+ 树是"每次都老实走到叶子，但换来更矮的树和丝滑的范围扫描"。数据库查询里范围扫描是家常便饭，所以 B+ 树赢了。

7. 顺手补两个教材盲点

7.1 哈希冲突：链地址 vs 开放寻址

刷题篇讲过哈希表"用空间换时间"，教材会多问一步：两个 key 撞进同一个桶怎么办？

flowchart LR
    subgraph 链地址["链地址法（Java HashMap）"]
        A1["桶 0 → k1 → k2 → k3<br/>（Java 8 后链表超 8 个转红黑树）"]
    end
    subgraph 开放寻址["开放寻址法（Redis dict 扩容期 / Python dict）"]
        B1["桶被占？<br/>按探查序列找下一个空位<br/>线性 +1 / 二次 +i² / 双重哈希"]
    end

取舍：链地址实现简单、删除容易，但链表指针追逐对 CPU 缓存不友好；开放寻址数据紧凑缓存友好，但负载因子一高（>0.7）探查序列雪崩，且删除要打墓碑标记。Java 选前者，Python 选后者，没有谁对谁错，又是"看场景"。

7.2 图的两个经典算法家族

最短路径：单源无负权用 Dijkstra（贪心 + 优先队列，O(E log V)）；有负权边用 Bellman-Ford（松弛 V-1 轮，顺带能检测负环）；全源用 Floyd（三层循环的 DP，O(V³)，图小图稠才用）。
最小生成树：Kruskal 按边排序 + 并查集判环（适合稀疏图）；Prim 从点出发贪心扩边（适合稠密图）。

工程里 Dijkstra 出场率最高——导航、网络路由（OSPF）都是它的变体。并查集在刷题篇讲过，这里正好闭环。

8. 把整条链放回工程世界

学完整条进化链，回头看各个系统的选型，会发现全部是这条链上的位置决策：

flowchart TB
    MEM["纯内存 读写均衡<br/>Java TreeMap / epoll / CFS"] -->|红黑树| R1["近似平衡 旋转便宜"]
    MEM2["纯内存 读极多<br/>静态字典"] -->|AVL| R2["严格平衡 查得最快"]
    DISK["磁盘 点查为主<br/>MongoDB WiredTiger"] -->|B 树| R3["页对齐 矮胖<br/>内节点也能命中数据"]
    DISK2["磁盘 点查+海量范围扫描<br/>MySQL InnoDB / 绝大多数关系库"] -->|B+ 树| R4["叶子链表<br/>范围扫描顺序 I/O"]
    LOG["写极多 追加型<br/>LevelDB / RocksDB / HBase"] -->|LSM 树| R5["干脆放弃原地更新<br/>写全部顺序化"]
    style DISK2 fill:#ffd699

最后一行 LSM 树是题外话但值得一提：当写压力大到 B+ 树的页分裂和随机写都扛不住时，LevelDB/RocksDB 们干脆换了世界观——不原地改，只追加，把随机写变成顺序写，读的时候多层合并。这是"B 树家族应付不了的场景长出了新物种"的又一例，思路和本篇主线一脉相承：没有最好的结构，只有最匹配 I/O 模式的结构。

思考与感悟

1. 数据结构课的隐藏主线是"权衡"，不是"结构"。 教材目录按结构分章，但真正的线索是：每个结构都在某个维度上多要了一点、在另一个维度上让了一步。AVL 要了查询速度让了写入成本，红黑树反过来；B+ 树要了范围扫描让了内节点命中。考试考结构，工作考权衡。

2. “为什么"比"怎么做"值钱。 红黑树的旋转规则我忘光了，但"为什么不能两个红挨着 = 2-3 树节点容量"这个理解我记了十年。背规则应付考试，理解动机应付工作——工作中没人让你手写 B 树分裂，但天天有人问"这个索引为什么这么建”。

3. 磁盘那节课值整门课的一半。 很多人学完数据结构，认知还停留在"比较次数"的世界。B 树这一课的真正教学目的，是把你的复杂度单位从"操作次数"切换到"I/O 次数"。这个切换一旦完成，后面学数据库、学存储引擎、学缓存，全是同一件事的不同切面。

4. 这条链还没完。 B+ 树不是终点——LSM 树在写密集场景抢了它的地盘，跳表在 Redis 里用更简单的实现达到了类似的效果，AI 时代的向量索引（HNSW）干脆用图结构解决相似度搜索。数据结构这门课永远在续写，但写法永远是一样的：一个新场景出现，旧结构哪里疼，新结构就长在哪里。

算法与数据结构入门学习总结：从零看懂核心原理与 LeetCode 避坑技巧

Thu, 09 Aug 2018 11:04:39 +0800

算法与数据结构入门学习总结

目标读者：刚开始刷题、想系统梳理基础的同学。
参考文档：D:\doc\算法\combined_document.md（《剑指 Offer（专项突破版）》题解合集）。
阅读目标：理解核心原理、记住常用模板、少踩常见坑。

0. 写在前面：为什么要先建立“知识地图”

刷题最怕两种情况：

拿到题完全没思路，只能硬写暴力，时间超了也不知道怎么优化。
大概知道方向，但细节错一堆：数组越界、整数溢出、指针空指针、边界条件漏掉。

这篇博客想解决的就是这两个问题：先搭好知识框架，再集中火力避坑。只要你知道“这道题可能考什么数据结构/算法思想”，就能快速定位解法。

0.1 学习路线图

flowchart LR
    A[语言基础] --> B[复杂度分析]
    B --> C[线性结构<br/>数组/链表/栈/队列]
    C --> D[非线性结构<br/>树/堆/图]
    D --> E[高级结构<br/>哈希/并查集/Trie]
    E --> F[基础算法思想]
    F --> G[专项刷题]
    F --> H[面试/竞赛]

建议学习顺序：

先学 复杂度分析，它是评判代码好坏的尺子。
再学 数组、链表、栈、队列，它们是后续所有结构的“建筑材料”。
进入 树、堆、图，理解非线性结构的遍历方式。
最后系统学习 算法思想：双指针、滑动窗口、二分、前缀和、回溯、动态规划、BFS/DFS。

1. 复杂度：衡量算法的尺子

1.1 时间复杂度

时间复杂度描述的是算法运行时间随输入规模增长的趋势，不是真正的秒数。

常见复杂度（从小到大）：

复杂度	名称	典型场景
O(1)	常数	哈希表查询、数组随机访问
O(log n)	对数	二分查找、倍增
O(n)	线性	一次遍历
O(n log n)	线性对数	快排、归并排序
O(n²)	平方	双重循环、朴素 DP
O(2ⁿ) / O(n!)	指数/阶乘	回溯、全排列

估算口诀：看循环层数 + 看每次循环内部有没有“折半”操作。

1.2 空间复杂度

空间复杂度描述算法额外占用的内存。注意：

输入数组本身不计入额外空间。
递归调用栈深度也要算空间。

flowchart TD
    A[分析代码] --> B[有没有开辟新数组/哈希表?]
    A --> C[有没有递归?]
    B --> D[空间 = 数据结构大小]
    C --> E[空间 = 递归最大深度]
    D --> F[取最大值]
    E --> F

2. 数据结构全景图

mindmap
  root((数据结构与算法))
    线性结构
      数组
      链表
      栈
      队列
    非线性结构
      树
        二叉树
        二叉搜索树
      堆
      图
    集合与映射
      哈希表
      并查集
    字符串专属
      前缀树 Trie
    算法思想
      双指针/滑动窗口
      二分/前缀和
      递归/回溯
      动态规划
      贪心/分治

2.1 各数据结构的核心能力

数据结构	核心能力	最适合解决的问题
数组	随机访问 O(1)	按索引查询、前缀和、双指针
链表	动态增删 O(1)	反转、合并、环检测
栈	后进先出 LIFO	括号匹配、表达式求值、单调栈
队列	先进先出 FIFO	BFS、滑动窗口、单调队列
哈希表	快速查找 O(1)	去重、计数、两数之和
树/ BST	分层、有序	遍历、最近公共祖先、中序有序
堆	快速取最值 O(log n)	TopK、合并 K 个有序数组
图	描述多对多关系	最短路径、拓扑排序、连通性
Trie	前缀匹配	单词前缀、最大异或、自动补全

3. 线性结构：数组、链表、栈、队列

3.1 数组：最朴素但最万能

数组的特点是连续内存 + 随机访问。数组题最常见的套路是：

双指针：相向（两数之和）、同向（滑动窗口）。
前缀和：把“区间求和”变成“两个前缀和相减”。
排序后处理：很多题先排序，复杂度就从 O(n²) 降到 O(n log n)。

双指针模板

flowchart TD
    A[初始化 left, right] --> B{指针方向?}
    B -->|相向| C[left=0, right=n-1]
    B -->|同向| D[left=0, right=0]
    C --> E[while left < right]
    D --> F[for right in 0..n-1]
    E --> G[根据条件移动 left 或 right]
    F --> H[按需收缩 left 扩展窗口]
    G --> I[更新答案]
    H --> I

例题思路串讲：

题目	核心技巧	关键记忆点
排序数组中两数之和	相向双指针	和大了 `right--`，和小了 `left++`
三数之和	排序 + 双指针 + 去重	外层和内层都要 `while` 跳过重复值
和 ≥ target 的最短子数组	同向双指针/滑动窗口	右扩左缩，记录最小长度
乘积 < K 的子数组	同向双指针	满足条件时新增 `right-left+1` 个子数组
和为 K 的子数组	前缀和 + 哈希表	`map.put(0, 1)` 必不可少
0 和 1 个数相同的子数组	0 变 -1 后转“和为 0”	`map.put(0, -1)` 处理从开头开始的子数组
二维子矩阵的和	二维前缀和	`sum[i+1][j+1] = sum[i][j+1] + rowSum`

三数之和去重是新人重灾区，一定要记住：排序后，如果当前值和上一个值相同，就跳过，否则会产生重复三元组。

3.2 链表：虚拟头节点 + 快慢指针

链表不像数组能随机访问，所以核心技巧是：

虚拟头节点（dummy）：方便删除头节点，统一代码。
快慢指针：找中点、找环、找倒数第 K 个。
反转链表：三指针 pre / now / next 一遍完成。

// 反转链表模板
public ListNode reverseList(ListNode head) {
    ListNode pre = null, now = head;
    while (now != null) {
        ListNode next = now.next;
        now.next = pre;
        pre = now;
        now = next;
    }
    return pre;
}

链表常见坑：

忘记处理空链表或单节点。
移动指针时把 next 覆盖了，后面没法继续遍历。
找中点时快慢指针初始化/终止条件写错（建议画图手推一次）。

3.3 栈：后进先出 + 单调栈

栈的两个高频用法：

辅助计算：括号匹配、后缀表达式、进制转换。
单调栈：找“下一个更大/更小元素”、直方图最大矩形。

flowchart LR
    A[遍历元素] --> B{栈顶与新元素关系?}
    B -->|满足单调性| C[压栈]
    B -->|破坏单调性| D[弹出栈顶并计算]
    D --> B
    C --> E[继续遍历]

3.4 队列：先进先出 + BFS 利器

队列最经典的应用是 BFS（广度优先搜索）：一层一层扩展，天然适合“最短路径/最浅结果”。

flowchart TD
    A[起点入队] --> B[while 队列非空]
    B --> C[队首出队]
    C --> D[扩展所有邻居]
    D --> E[未访问的邻居入队]
    E --> B

4. 非线性结构：树、堆、图

4.1 二叉树：递归是王道

二叉树题目 90% 都能用递归解决，核心想清楚三件事：

当前节点要做什么？
递归返回什么？
边界条件是什么？（通常是 node == null）

flowchart TD
    A[处理当前节点] --> B[递归左子树]
    A --> C[递归右子树]
    B --> D[合并左右结果]
    C --> D

二叉树遍历：

前序：根 → 左 → 右
中序：左 → 根 → 右（BST 中序有序）
后序：左 → 右 → 根

二叉搜索树（BST）性质：左子树所有节点 < 根 < 右子树所有节点。利用这个性质可以 O(h) 查找、插入、删除。

4.2 堆：优先队列 = 动态最值

堆通常用优先队列实现。核心能力：

插入 O(log n)
取最值 O(log n)
看最值 O(1)

TopK 问题（找前 K 大/小）是堆最经典的面试题。思路：维护一个大小为 K 的小根堆，堆里保存目前最大的 K 个数。

4.3 图：BFS vs DFS

图是最灵活的数据结构，几乎所有图算法都基于 BFS 或 DFS。

flowchart TD
    A[图的遍历] --> B{要最短/分层?}
    B -->|是| C[BFS 队列]
    B -->|否| D[DFS 递归/栈]
    C --> E[visited 集合防重复]
    D --> E

图的常见题型：

问题	首选算法
岛屿数量、连通分量	DFS / 并查集
最短路径（无权图）	BFS
拓扑排序	Kahn 算法（入度）/ DFS 后序逆序
最小生成树	Kruskal / Prim
单源最短路（带权）	Dijkstra / Bellman-Ford

5. 高级结构与技巧

5.1 哈希表：用空间换时间

哈希表能把“查找”从 O(n) 降到 O(1)。刷题时常见的哈希用法：

计数：统计字符/数字出现次数。
去重：判断元素是否出现过。
记录位置：LRU、两数之和、前缀和下标。

经典设计题：

RandomizedSet：数组 + 哈希表，删除时把末尾元素 swap 到被删位置，保证 O(1)。
LRU Cache：哈希表 + 双向链表，get/put 都把节点移到尾部，超出容量时删头部。

5.2 前缀树 Trie

Trie 用于高效处理字符串前缀、自动补全、最大异或等问题。

flowchart TD
    A[root] --> B[a]
    A --> C[b]
    B --> D[p]
    B --> E[p2]
    C --> F[e]
    D --> G[p<br/>isEnd=true]
    E --> H[p<br/>isEnd=true]
    F --> I[e<br/>isEnd=true]

每个节点代表一个字符前缀；叶子或标记节点表示完整单词。

5.3 并查集

并查集解决“连通性”问题，三个操作：

find(x)：找到 x 的根。
union(x, y)：合并两个集合。
connected(x, y)：判断是否同根。

配合 路径压缩 和 按秩合并，单次操作近似 O(α(n))，可以认为接近 O(1)。

6. 算法思想：把题归类

6.1 二分查找：不是只能查有序数组

二分查找的精髓是：找到一个可以判定“答案是否可行”的条件，然后不断缩小答案区间。

flowchart TD
    A[确定二分对象] --> B[写出 canmid 判定]
    B --> C[初始化 l, r]
    C --> D[while l < r]
    D --> E{canmid?}
    E -->|true| F[答案在左半区<br/>r = mid]
    E -->|false| G[答案在右半区<br/>l = mid + 1]
    F --> D
    G --> D
    D --> H[返回 l]

二分查找避坑：

循环条件写成 l <= r 还是 l < r，取决于你要不要包含右端点。
mid = l + (r - l) / 2 比 (l + r) / 2 更安全，防止整数溢出。
左/右边界更新要对称：左闭右闭就 l = mid + 1, r = mid - 1；左闭右开要相应调整。

6.2 滑动窗口：双指针的高级形态

滑动窗口适合处理子数组/子串问题，前提是“右指针右移时，窗口内某种性质单调变化”。

flowchart LR
    A[初始化 left=0] --> B[right 从左到右遍历]
    B --> C[扩大窗口 更新状态]
    C --> D{窗口是否合法?}
    D -->|不合法| E[移动 left 收缩窗口]
    D -->|合法| F[更新答案]
    E --> F
    F --> B

什么时候不能用滑动窗口？ 当数组不是单调（例如有负数）时，和/积不具备单调性，要改用前缀和 + 哈希表。

6.3 前缀和：区间查询的利器

前缀和把“区间和”问题变成“差分”：

sum(i, j) = prefix[j+1] - prefix[i]

二维前缀和公式：

prefix[i][j] = matrix[i-1][j-1]
             + prefix[i-1][j] + prefix[i][j-1]
             - prefix[i-1][j-1]

一维前缀和 + 哈希表 可以把“和为 K 的子数组”从 O(n²) 降到 O(n)。

6.4 递归与回溯：暴力枚举的艺术

回溯 = 递归 + 做选择 + 撤销选择。模板：

void backtrack(路径, 选择列表) {
    if (满足结束条件) {
        result.add(路径);
        return;
    }
    for (选择 in 选择列表) {
        做选择;
        backtrack(路径, 选择列表);
        撤销选择;
    }
}

graph TD
    A[开始 backtrack] --> B{剪枝/终止?}
    B -->|是| C[记录答案]
    B -->|否| D[做选择]
    D --> E[递归下一层]
    E --> F[撤销选择]
    F --> G[尝试下一个选择]
    G --> D
    C --> H[返回]

回溯常见题型：子集、组合、排列、N 皇后、括号生成、复原 IP。

6.5 动态规划：找状态转移

DP 是很多新人的噩梦。其实套路很固定：

flowchart LR
    A["定义状态 dp[i] 或 dp[i][j]"] --> B[写状态转移方程]
    B --> C[确定初始状态]
    C --> D[确定遍历顺序]
    D --> E[空间优化可选]

入门 DP 分类：

类型	特征	例题
线性 DP	一维数组递推	爬楼梯、房屋偷盗、最长递增子序列
区间 DP	区间 [i,j] 状态	最长回文子序列、最少回文分割
背包 DP	选或不选	分割等和子集、最少硬币
路径 DP	二维网格	不同路径、最小路径和
状态压缩 DP	用二进制表示集合	旅行商问题、棋盘覆盖

DP 避坑：

状态定义不清晰就开始写，写到一半发现转移不了。
遍历顺序搞反，导致用到还没计算出来的状态。
忘记初始化 dp[0] 或边界行/列。

6.6 贪心：每次局部最优

贪心没有通用模板，关键是证明局部最优能推导出全局最优。常见贪心场景：

区间问题：按结束时间排序选最多不重叠区间。
跳跃游戏：每次选能跳最远的位置。
哈夫曼编码：每次合并最小的两个。

如果你不确定贪心对不对，建议先用 DP 或回溯验证小例子。

7. 位运算与整数技巧

参考文档第一章专门讲整数，里面有很多位运算技巧，面试题也常考。

7.1 常用位运算技巧

技巧	含义	例题
`n & (n-1)`	把 n 最右侧的 1 变成 0	统计二进制 1 的个数
`n & (-n)`	只保留最右侧的 1	判断是否是 2 的幂
`a ^ a = 0`	相同数异或为 0	只出现一次的数字
`a ^ 0 = a`	与 0 异或不变	两数交换

7.2 整数除法：倍增法

最朴素的除法是不断减，最坏 O(n)。倍增法的思想是：判断被除数能容纳除数的 1 倍、2 倍、4 倍……直到不能容纳，然后减去最大的倍数，重复这个过程。

复杂度：O(log n)。

避坑：

Integer.MIN_VALUE / -1 会溢出。
为了处理符号，通常把两个数都转成负数计算，最后再加符号。
累加时要判断是否超过 0xc0000000（即最小负数的一半），防止溢出。

7.3 状态压缩：用 int 表示集合

当数据范围只有 26 个小写字母、或 20 个以内的元素时，可以用一个 int 的每一位表示“选/没选”。

例如“单词长度的最大乘积”中，用 int 的低 26 位表示一个单词包含哪些字母，两个单词的位掩码 & 为 0 就说明没有公共字母。

8. 排序算法回顾

排序	平均时间	空间	稳定性	特点
冒泡/选择/插入	O(n²)	O(1)	稳定（插入）	简单，数据量小可用
快速排序	O(n log n)	O(log n)	不稳定	平均最快
归并排序	O(n log n)	O(n)	稳定	链表排序、逆序对
堆排序	O(n log n)	O(1)	不稳定	TopK、优先队列
计数/桶/基数	O(n+k)	O(k)	稳定	数据范围有限

实战建议：

数组排序直接用语言内置函数（Java Arrays.sort()）。
链表排序适合归并（自顶向下或自底向上）。
找第 K 大可以用快速选择（平均 O(n)）或堆。

9. LeetCode 刷题闭坑指南（重点）

这部分把参考文档里反复出现的“坑”集中整理出来，刷题前先看一遍，能少错很多。

9.1 拿到题后先做什么

flowchart TD
    A[拿到题目] --> B[读三遍题意]
    B --> C[列出所有边界条件]
    C --> D[手写 2-3 个小例子]
    D --> E[判断数据结构与算法]
    E --> F[写代码]
    F --> G[脑内跑一遍边界]
    G --> H[提交]

9.2 整数与边界

坑	案例
整数溢出	`Integer.MIN_VALUE / -1` 返回 `Integer.MAX_VALUE`
越界累加	除法倍增时判断 `value >= 0xc0000000`
负数右移	负数算术右移最高位永远补 1
`mid` 溢出	二分写 `mid = l + (r - l) / 2`

9.3 数组与字符串

坑	案例
下标越界	`right = n` 还是 `right = n-1` 要统一
左/右边界更新	注意是 `++left` 还是 `left++`（三数之和去重用 `nums[++left]`）
前缀和初始化	和为 K 子数组必须 `map.put(0, 1)`
二维前缀和	通常多开一行一列避免边界判断
字符串变位词	用长度 26/58 的 int 数组模拟哈希表

9.4 链表

坑	解决方案
头节点可能被删	使用 dummy 节点
空指针	访问 `node.next` 前先判空
找中点/环	快慢指针初始化和终止条件画图确认
反转丢失 next	先用临时变量保存 `now.next`

9.5 递归与回溯

坑	解决方案
终止条件漏写	先写边界，再写递归体
共享状态被污染	回溯时记得“撤销选择”
重复结果	排序后跳过相同元素，或用 `visited` 数组
栈溢出	深度太大时考虑改迭代 + 栈

9.6 动态规划

坑	解决方案
状态定义错误	先用一句话描述“dp[i] 表示什么”
遍历顺序错误	画依赖图，确保计算 dp[i] 时所需状态已算好
边界没初始化	先填第 0 行/列，或 `dp[0]`
空间可以优化	滚动数组、一维降维

9.7 二分查找

坑	解决方案
循环条件写错	根据开闭区间选择 `l < r` 或 `l <= r`
边界更新不对称	`l = mid + 1` 对应 `r = mid` 或 `r = mid - 1`
死循环	左中点 `mid = l + (r-l)/2` 与右中点 `mid = l + (r-l+1)/2` 选清楚

10. 一张图串联所有知识点

flowchart TD
    A[算法题] --> B{看到什么关键词?}
    B -->|子数组/子串<br/>和/积/去重| C[双指针 / 滑动窗口]
    B -->|区间和/连续和| D[前缀和 + 哈希表]
    B -->|有序 / 最大化最小值| E[二分查找]
    B -->|所有组合/排列/子集| F[回溯]
    B -->|最优子结构| G[动态规划]
    B -->|最短路径/层序| H[BFS]
    B -->|连通/全遍历| I[DFS / 并查集]
    B -->|TopK / 动态最值| J[堆]
    B -->|前缀匹配| K[Trie]
    C --> L[写代码]
    D --> L
    E --> L
    F --> L
    G --> L
    H --> L
    I --> L
    J --> L
    K --> L

11. 给新人的刷题路线建议

第 1-2 周：数组 + 链表
- 两数之和、三数之和、反转链表、合并两个有序链表、环形链表。
第 3-4 周：栈 + 队列 + 哈希表
- 有效的括号、最小栈、LRU 缓存、字母异位词。
第 5-6 周：树 + 递归
- 二叉树前中后序遍历、二叉树层序遍历、二叉搜索树验证、路径总和。
第 7-8 周：回溯 + 动态规划
- 全排列、组合总和、爬楼梯、最长公共子序列、不同路径。
第 9-10 周：图 + 高级结构
- 岛屿数量、课程表（拓扑排序）、数据流第 K 大、实现 Trie。
持续：按标签二刷 + 总结错题本

刷题原则：

第一遍不要死磕，20 分钟没思路直接看题解，重点理解“为什么这样想”。
第二天再独立写一遍，一周后回来再写一遍。
把每道题的“思路关键词”写进错题本，考前只看错题本。

12. 结语

算法和数据结构不是背代码，而是建立**“看到题目 → 识别模式 → 套用模板 → 处理边界”**的条件反射。希望这篇总结能帮你把零散的知识点串成一张网，刷题时少踩坑、多 AC。

最后送一句话：慢即是快。把一类题真正搞懂，比囫囵吞枣刷一百道更有效。

参考文档：`（《剑指 Offer（专项突破版）》题解合集）。
本文已整理成博客，欢迎在留言区补充你踩过的坑。