一、算法基础与设计原则
算法是计算机解决问题的核心工具，其五大基本特性决定了程序的可靠性：
- 有穷性：算法必须能在有限步骤内终止
- 确定性：每步操作无歧义
- 可行性：可被计算机执行
- 输入输出：具备数据交互能力
- 优化指标：需兼顾时间/空间复杂度、可读性与健壮性
数据结构与算法的关系如同建筑与设计图，经典公式"数据结构+算法=程序"揭示了二者的依存关系。常用算法描述工具包括流程图、N/S盒图、伪代码等，其中伪代码因兼顾结构严谨与语言灵活性被广泛采用。
二、经典排序算法详解
1. 基础排序三剑客
| 算法 | 时间复杂度 | 空间复杂度 | 稳定性 | 核心思想 |
|---|---|---|---|---|
| 直接插入排序 | O(n²) | O(1) | 稳定 | 构建有序序列，逐个插入新元素 |
| 冒泡排序 | O(n²) | O(1) | 稳定 | 相邻元素两两比较交换 |
| 简单选择排序 | O(n²) | O(1) | 不稳定 | 每次选择最小元素交换到位 |
应用场景：小规模数据排序（n<1000），实现简单但效率较低
2. 高效排序算法
快速排序
采用分治策略，选取枢轴元素将序列划分为两个子序列。平均时间复杂度O(nlogn)，空间复杂度O(logn)，不稳定排序。适合处理大规模随机数据。
归并排序
通过递归分解与合并实现稳定排序，时间复杂度稳定为O(nlogn)，但需要O(n)辅助空间。常用于外部排序和大文件处理。
堆排序
利用完全二叉树特性构建大顶堆/小顶堆，时间复杂度O(nlogn)，空间复杂度O(1)。适合实时性要求高的场景。
3. 特殊排序方法
希尔排序
改进版插入排序，通过动态间隔分组提升效率。时间复杂度介于O(n)到O(n²)，空间复杂度O(1)，适用于中等规模数据。
外部排序
采用归并策略处理超大数据，分阶段进行：
- 内存分段排序生成归并段
- 多路归并形成最终有序文件
三、查找算法全解析
1. 基础查找方法
| 算法 | 时间复杂度 | 适用结构 | 特点 |
|---|---|---|---|
| 顺序查找 | O(n) | 无序线性表 | 实现简单，效率低 |
| 折半查找 | O(logn) | 有序顺序表 | 效率高但需预先排序 |
| 索引查找 | O(logn) | 分块有序结构 | 平衡查找速度与维护成本 |
2. 高级查找结构
二叉查找树
左子树值<根<右子树，平均查找效率O(logn)，但可能退化为链表
B/B+树
多路平衡查找树，广泛用于数据库索引，保证查询稳定性
哈希表
通过哈希函数实现O(1)查找，需处理冲突（开放定址法、链地址法）
四、图论核心算法
1. 最小生成树
Prim算法
贪心策略，逐步扩展生成树，适合稠密图，时间复杂度O(n²)
Kruskal算法
按边权升序选择，适合稀疏图，时间复杂度O(eloge)
2. 拓扑排序
AOV网应用：
- 选择入度0顶点输出
- 删除顶点及关联边
- 循环至无顶点剩余
用于检测工程可行性、课程安排等场景
3. 最短路径
Dijkstra算法
单源最短路径，采用优先队列优化可达O((n+e)logn)，不适用负权边
Floyd算法
多源最短路径，动态规划思想，时间复杂度O(n³)
五、递归与分治策略
递归通过自相似结构分解问题，典型应用包括：
- 阶乘计算
- 斐波那契数列
- 汉诺塔问题
- 树/图的遍历
实现要点：
- 基线条件确定递归终止
- 递归调用缩小问题规模
- 栈空间管理防止溢出
算法选择指南
| 场景特征 | 推荐算法 |
|---|---|
| 小规模无序数据 | 插入/冒泡排序 |
| 内存受限大规模数据 | 堆排序 |
| 需要稳定排序 | 归并排序 |
| 快速查询无需预处理 | 哈希表 |
| 动态数据集合 | 平衡二叉搜索树 |
| 网络路径规划 | Dijkstra/Floyd算法 |
理解算法原理与适用场景，结合具体问题的时间空间约束，才能做出最优选择。算法优化永无止境，随着硬件发展与问题演化，经典算法也在持续进化中。