算法

假设你正在开发一个实时数据分析平台，需要频繁执行两类操作：查询某个时间段内的数据总和，以及更新某个时间点的数值。如果用普通数组，查询需要 $O(n)$ 时间遍历整个区间；如果用前缀和数组，查询确实降到了 $O(1)$，但每次更新又需要 $O(n)$ 时间重新计算前缀。当数据量达到百万级别、操作频率达到每秒数千次时，这两种方案都无法满足性能要求。 ...

在大型软件项目的构建过程中，模块之间存在复杂的依赖关系：A模块依赖B模块，B模块又依赖C模块。构建系统必须找到一个合法的编译顺序，确保每个模块在其依赖项编译完成后才开始编译。这个问题的数学本质就是拓扑排序——给定一个有向无环图(DAG)，找到一个线性序列，使得对于每条有向边$u \to v$，顶点$u$都出现在顶点$v$之前。 ...

假设要在一百万个有序数字中找到某个特定值，最直接的想法是从头到尾逐个检查——运气好第一个就是，运气不好要找一百万次。但如果每次都将搜索范围缩小一半，最多只需要20次就能确定结果。这种"分而治之"的智慧，不仅让二分查找成为效率典范，更催生了归并排序、快速选择、Strassen矩阵乘法等一系列经典算法。 ...

假设你在搜索引擎输入框里键入"goog"，下拉列表立刻弹出"google"、“google maps”、“google translate"等一系列建议。这些结果是怎么在毫秒级时间内出现的？如果用哈希表存储所有可能的搜索词，每次按键都需要遍历整个哈希表来找出以当前输入为前缀的词——当词库达到百万级别时，这种做法显然不可行。 ...

假设你正在开发一个社交网络应用，需要实时回答"用户A和用户B是否在同一个社交圈内"这类查询——用户之间可以通过好友关系不断形成更大的圈子。每添加一个好友关系，圈子就可能合并；每查询一次，就需要判断两个用户是否已经连通。如果用传统的图遍历方法，每次查询都可能需要遍历整个图，当用户量达到百万级别时，系统会变得极其缓慢。 ...

1964年，J.W.J. Williams在发表堆排序算法时，顺带发明了一种被称为"堆"的数据结构。他可能没想到，这个最初为排序服务的数据结构，会在六十年后成为每一位程序员面试的必考内容。从操作系统进程调度到网络路由的最短路径计算，从数据库查询优化到实时数据流的中位数统计，堆的身影无处不在。 ...

给定一个迷宫，从入口到出口有多条路径。你应该选择哪种策略？一种方式是沿着每条路一直走到底，走不通就返回上一个分叉口换条路——这就是深度优先搜索。另一种方式是先探索所有离入口距离为1的格子，再探索距离为2的格子，层层推进——这就是广度优先搜索。 ...