常见数据结构及算法

必须掌握的数据结构及算法

掌握数据结构是应用算法的基础，以下是一些核心结构及其典型应用场景：

栈与队列 ：栈用于深度优先搜索、括号匹配；队列用于广度优先搜索、滑动窗口。
哈希表 ：提供O(1)时间的快速查找，常用于缓存（LRU） 、统计频率、快速判断元素是否存在（如两数之和）。
堆（优先队列） ：能快速获取最大或最小元素，常用于解决Top K问题 、求中位数等。
树：二叉树 的遍历（前、中、后序）是基础；二叉搜索树 支持高效查找；字典树专门处理字符串前缀问题。
并查集 ：高效处理分组、连通性问题（如朋友圈、岛屿数量变种）。
前缀和与差分：
- 前缀和：用于快速计算数组某个区间的和。
- 差分：是前缀和的逆运算，用于高效地对数组的某个区间进行批量增减操作

下面这个表格整理了最常见的算法思想、核心概念：

|---------------------|-------------------------------------------------|
| 算法分类/思想 | 核心思想/概念 |
| 滑动窗口 | 维护一个可变或固定大小的窗口，在数组/链表/字符串上滑动，高效解决子数组/子串问题。 |
| 双指针 | 使用两个指针协同工作，包括左右指针（用于有序数组的两数之和等）和快慢指针（用于判断链表环等）。 |
| 二分查找 | 在有序搜索空间中，通过比较中间元素快速缩小范围，时间复杂度通常为O(log n)。 |
| 深度/广度优先搜索 (DFS/BFS) | DFS：递归或栈，用于遍历或搜索树/图。 BFS：队列，用于层序遍历或最短路径。 |
| 回溯法 | 一种通过试错寻找所有解的算法，在遇到不可行解时"回溯"至上一步。 |
| 动态规划 (DP) | 将复杂问题分解为重叠子问题，并存储子问题的解以避免重复计算。 |
| 贪心算法 | 每一步都采取当前状态下局部最优的选择，以期望得到全局最优解。 |
| 分治法 | 将问题分解成多个独立的子问题，递归求解后再合并结果。 |

下面以数组 [3,1,4,1,5,9] 为例，展示滑动窗口、双指针、二分查找、DFS/BFS、回溯法、动态规划、贪心算法和分治法的核心思维差异：

各算法详细解析与经典题目

🔍 1. 滑动窗口

核心思想 ：维护一个窗口（通常由两个指针left和right界定），在数组或字符串上滑动。通过移动右指针扩大窗口，满足条件后移动左指针收缩窗口，从而在**O(n)**时间内找到满足条件的子区间。
关键点 ：用于解决连续子数组/子串问题。窗口内的状态（如字符频率、和、最大值）需要高效维护（常用哈希表或单调队列）。
经典题目：
- 3. 无重复字符的最长子串：用哈希集合记录窗口内字符，确保无重复。
- 239. 滑动窗口最大值 ：使用单调递减队列在O(1)时间内获取窗口最大值。

↔️ 2. 双指针

核心思想：使用两个指针协同遍历，减少时间复杂度。主要有两种形式：
1. 左右指针 ：在有序数组两端向中间移动，用于两数之和、反转数组等。
2. 快慢指针 ：在链表或数组上，以不同速度移动，用于判断循环、找中点、找交点等。
关键点：通常能将O(n²)的暴力解法优化到O(n)。
经典题目：
- 167. 两数之和 II（有序数组）：左右指针经典应用。
- 142. 环形链表 II：快慢指针找到环的入口，是数学和编程的巧妙结合。

🔎 3. 二分查找

核心思想 ：在有序的搜索空间中，每次通过比较中间元素，将待搜索区间缩小一半。
关键点 ：难点在于边界条件 （while用<还是<=，mid加一还是减一）。有寻找精确值、寻找左边界、寻找右边界三种基本变体。
经典题目：
- 34. 在排序数组中查找元素的第一个和最后一个位置：二分查找左右边界的标准模板题。
- 33. 搜索旋转排序数组：二分查找的进阶，需要在局部有序中判断搜索方向。

🌳 4. 深度/广度优先搜索

核心思想：
- DFS ：深度优先，一条路走到黑，用递归或栈实现。常用于遍历所有路径、排列组合、连通性问题。
- BFS ：广度优先，一层层向外扩展，用队列实现。常用于最短路径、层序遍历。
关键点 ：必须注意避免重复访问 （使用visited集合或标记已访问元素）。
经典题目：
- 200. 岛屿数量：网格DFS/BFS的典范，用"淹没"思想标记访问过的陆地。
- 102. 二叉树的层序遍历：BFS的经典应用。

🧩 5. 回溯法

核心思想 ：一种系统性试错 的算法。它沿决策树前进，当探索到某步发现当前选择不满足条件时，就撤销（回溯） 上一步或几步的选择，尝试其他可能性。
关键点 ：其核心框架是一个递归函数，包含：选择 -> 递归 -> 撤销选择 。解决全排列、子集、组合、N皇后等需要枚举所有可能解的问题。
经典题目：
- 46. 全排列：回溯法最直观的演示，理解"路径"和"选择列表"。
- 78. 子集：求所有子集是另一种经典的回溯场景。

🧮 6. 动态规划

核心思想 ：将复杂问题分解为重叠的子问题 ，并通过保存子问题的解（通常用数组dp）来避免重复计算，从而高效求解原问题。
关键点 ：写出正确的 "状态转移方程" 是核心。思考步骤：1) 定义dp[i]的意义；2) 找出dp[i]如何由dp[0...i-1]推导（状态转移）；3) 确定初始值（dp[0]等）。
经典题目（按难度进阶）：
- 70. 爬楼梯 ：入门必做，理解dp[i] = dp[i-1] + dp[i-2]。
- 53. 最大子数组和 ：理解"dp[i]是以nums[i]结尾的最大和"这一关键定义。
- 300. 最长递增子序列 ：经典的一维DP，dp[i]与之前所有j < i的状态有关。
- 1143. 最长公共子序列：经典的二维DP，理解文本比较的模型。

🍬 7. 贪心算法

核心思想 ：每一步都做出当前看来最优的选择，并希望这样的局部最优能导致全局最优。
关键点：难点在于证明贪心策略的正确性。它不像DP考虑所有子问题，因此效率更高，但适用场景更窄。
经典题目：
- 455. 分发饼干：经典入门题，用小饼干满足小胃口。
- 122. 买卖股票的最佳时机II：只要今天比昨天贵，就假设昨天买入今天卖出（贪心思想）。

➗ 8. 分治法

核心思想 ：将一个大问题分解成若干个独立的、形式相同的子问题 ，递归求解子问题，最后合并子问题的结果得到原问题的解。
关键点 ：与DP的关键区别在于，分治法的子问题通常不重叠。归并排序和快速排序是分治法的典型代表。
经典题目：
- 215. 数组中的第K个最大元素：通常使用基于快速排序选择算法的分治思想。
- 23. 合并K个升序链表：可以两两合并（分治），优于顺序合并。

算法选择指南

识别问题特征

问题特征	优先考虑算法	原因
看到：连续子数组/子串	滑动窗口	天然适合处理连续区间问题
看到：有序数组查找	二分查找	O(log n) 高效查找
看到：所有可能解/排列/组合	回溯法	系统枚举所有可能性
看到：最优解 + 重叠子问题	动态规划	避免重复计算，得到最优解
局部最优 → 全局最优	贪心算法	高效，但需要证明正确性
可独立分解的子问题	分治法	递归分解，适合并行处理
图/树遍历，最短路径	BFS/DFS	适合层级或深

混合使用策略：
- DFS + 记忆化 = 记忆化搜索（一种DP实现方式）
- 二分查找 + 贪心 = 解决"最小化最大值"问题
- BFS + 优先队列 = Dijkstra算法