算法与数据结构是编程的根基，决定代码的"能跑"与"高效"。本讲梳理算法学习路径、核心知识点与实战方法，帮你高效练好这门内功，无论面试还是真实工程都游刃有余。
背题不总结，换个包装就不会，刷题效率极低。
数据结构概念都懂，但不知道在真实业务里怎么选型。
不懂复杂度分析，数据一多就卡，代码结构混乱。
时间/空间复杂度，评估算法优劣的基本功。
线性结构基础，随机访问 vs 增删效率的取舍。
二叉树、BST、图的遍历与搜索，解决层级关系问题。
二分查找、快排/归并排序，最常用的算法家族。
哈希表实现 O(1) 查找，堆解决 TopK 与优先级问题。
把复杂问题拆解为子问题，进阶的核心思维。
面试与选型常用，一张表记牢。
| 算法 | 平均时间 | 最坏时间 | 空间 |
|---|---|---|---|
| 二分查找 | O(log n) | O(log n) | O(1) |
| 快速排序 | O(n log n) | O(n²) | O(log n) |
| 归并排序 | O(n log n) | O(n log n) | O(n) |
| 堆排序 | O(n log n) | O(n log n) | O(1) |
| DFS/BFS 遍历 | O(V+E) | O(V+E) | O(V) |
| Dijkstra | O((V+E)log V) | — | O(V) |
| 动态规划 | 子问题数 × 转移代价 | — | 看状态设计 |
| KMP 匹配 | O(n+m) | O(n+m) | O(m) |
会分析复杂度，才能理解"为什么这个解法更好"。
数组、链表、树、动态规划分专题突破，而非乱刷。
每道题总结题型与套路（模板），形成解题方法论。
把算法映射到真实场景：缓存、索引、推荐、搜索。
定期重做错题与高频题，形成长期记忆。
搜索、排序、缓存、索引，日常开发处处是算法。
海量数据排序、去重、统计，算法决定性能上限。
排序、匹配、检索算法，产品体验的核心。
算法是技术面试的常考项，是能力的敲门砖。
