数据结构与算法
这份清单严格适配你的时间节奏（工作日1-2h/天、周末集中安排），聚焦面试高频算法，按“基础入门→专项突破→混合强化→模拟冲刺”四阶段推进，可直接落地执行。
先过完一遍geektime 系统课程，了解整体框架 开始刷题，有相关知识点在复习一遍
核心目标：掌握所有高频算法的基础原理、经典模板，能独立做简单题，周末集中复盘巩固。
| 周次 | 工作日重点（每天1个小模块） | 周末任务（集中6-8h） | 必刷基础题（LeetCode） |
|---|---|---|---|
| 第1周 | 数组（遍历、二分、双指针）+ 字符串（拼接、匹配、替换） | 复盘本周知识点，整理2类题的解题模板；补刷未完成的简单题，再额外刷2道中等题 | Easy：26（去重）、125（回文串）、344（反转字符串）；Medium：15（三数之和） |
| 第2周 | 链表（单链表操作、双指针、环判断）+ 哈希表（存储、查找、计数） | 复盘模板（链表遍历/反转、哈希表常用场景）；集中刷5-6道中等题，整理错题 | Easy：206（反转链表）、1（两数之和）；Medium：141（环形链表II）、49（字母异位词分组） |
| 第3周 | 树/二叉树（遍历、递归、层次遍历）+ 栈/队列（基础操作、应用场景） | 总结二叉树前中后序遍历（递归+迭代）模板；刷树和栈队列的中等题，强化递归思路 | Easy：144（前序遍历）、225（用栈实现队列）；Medium：102（层次遍历）、94（中序遍历迭代版） |
| 第4周 | 贪心算法（核心思想、经典场景）+ 简单动态规划（单状态DP） | 复盘贪心vsDP的区别；集中刷4-5道题，整理DP状态转移的基础思路 | Easy：55（跳跃游戏）、70（爬楼梯）；Medium：122（买卖股票II）、455（分发饼干） |
核心目标：聚焦面试必考重点类型，批量刷题+归纳套路，提升中等题的解题速度和正确率。
| 周次 | 专项主题 | 工作日任务（每天1-2h） | 周末任务（集中8-10h） | 必刷高频题 |
|---|---|---|---|---|
| 第5周 | 动态规划（DP）专项 | 每天学1个DP子类型（线性DP、背包DP、区间DP），刷2道对应中等题 | 集中刷8-10道DP中等题，整理3类DP的状态转移模板；复盘错题，总结“什么时候用DP” | Medium：322（零钱兑换）、62（不同路径）、1143（最长公共子序列） |
| 第6周 | 数组/字符串进阶专项 | 每天聚焦1个进阶考点（滑动窗口、前缀和、字符串匹配KMP），刷2道题 | 批量刷滑动窗口和前缀和中等题（6-8道）；总结滑动窗口适用场景（子串问题） | Medium：3（无重复字符最长子串）、560（和为K的子数组）、209（长度最小的子数组） |
| 第7周 | 树/二叉搜索树（BST）专项 | 每天学BST特性、平衡树基础，刷2道树的中等/难题 | 集中刷树的高频题（7-9道），包括二叉树构造、路径问题；总结递归/迭代的最优写法 | Medium：98（验证BST）、105（从前序与中序遍历构造二叉树）、437（路径总和III） |
| 第8周 | 回溯+图论专项 | 工作日学回溯（组合、排列、子集）和图的基础（遍历、最短路径），每天2道题 | 刷回溯中等题（5-6道）+ 图的基础题（3-4道）；总结回溯的“剪枝”技巧 | Medium：77（组合）、46（全排列）、207（课程表）、797（所有可能的路径） |
核心目标：打破类型局限，适应面试“随机出题”场景，强化限时解题能力。
| 周次 | 工作日任务 | 周末任务 | 训练重点 |
|---|---|---|---|
| 第9周 | 每天随机刷2-3道中等题（覆盖之前所有类型），限时30分钟/题 | 集中进行1次“半天刷题”（10道中等题，限时2小时）；复盘错题，补充薄弱类型 | 提升读题速度和思路反应，避免“只会一类题” |
| 第10周 | 每天刷1道中等题+1道简单题，或1道难题（选做），记录解题时间 | 整理“高频错题本”，按类型归类（比如DP类错题、滑动窗口类错题）；重刷所有错题 | 巩固薄弱点，确保同类题不再出错 |
核心目标：模拟真实面试流程，适应限时压力，查漏补缺。
| 周次 | 工作日任务 | 周末任务 | 面试适配 |
|---|---|---|---|
| 第11周 | 每天限时刷3道中等题（1.5小时内完成）；看面试常考算法的最优解思路 | 进行2轮模拟面试（每轮1小时，3道题，按真实面试流程）；复盘答题节奏和表达 | 训练“边想边说”的能力，避免只会写不会讲 |
| 第12周 | 重刷高频错题+经典难题（各5-8道）；背诵核心模板（比如DP状态转移、回溯模板） | 最后1轮模拟面试；整理“面试必备算法清单”，快速过一遍所有核心知识点 | 保持解题手感，自信应对面试 |
-
工作日优先“学基础+少量刷题”，不贪多，重点在“理解+动手敲代码”，避免熬夜影响工作。
-
周末必须留2-3h复盘，错题本是核心，要记录“错因（思路错/代码bug/超时）+ 最优解 + 同类题链接”。
-
刷题平台首选LeetCode，按“简单→中等→难题”梯度来，中等题是面试核心（占比70%以上），难题可选择性放弃。
结尾交付物提议：要不要我帮你整理一份高频算法解题模板手册，包含每个类型的核心思路、代码模板（Python/Java可选）和易错点，直接节省你总结的时间？
（注：文档部分内容可能由 AI 生成）
工程中最常用的算法与数据结构实战应用 📊 业务场景常用数据结构
- 缓存类 数据结构 实际应用 典型场景 LRU Cache Redis LRU、浏览器缓存 最近最少使用淘汰 LFU Cache Redis LFU 最不经常使用淘汰 哈希表 + 链表 LinkedHashMap 缓存实现 布隆过滤器 缓存穿透防护、黑名单过滤 快速判断"不存在"
- 存储索引 数据结构 实际应用 典型场景 B+树 MySQL InnoDB索引 范围查询、排序 LSM树 LevelDB、RocksDB 写多读少场景 跳表 Redis ZSet 有序集合、排行榜 前缀树(Trie) 自动补全、敏感词过滤 前缀匹配
- 限流与流量控制 算法 实际应用 典型场景 令牌桶 网关限流、API限流 突发流量控制 漏桶 网络流量整形 均匀流量输出 滑动窗口 滑动时间窗口统计 实时统计、限流 漏斗算法 登录防刷、下单限流 流量过滤 ⏰ 时间轮 (Timing Wheel) 核心应用场景
- 定时任务调度
// Kafka定时任务实现 type TimingWheel struct { tickMs int64 // 毫秒间隔 wheelSize int // 时间轮大小 startTime int64 // 起始时间 buckets []*Bucket // 时间槽 currentTime int64 // 当前时间 }
type Job struct { delay int64 // 延迟时间 key string // 业务key callback func() // 回调函数 }
// 应用场景： // - Kafka消息延迟投递 // - Redis过期键删除 // - 网关超时处理 // - 订单超时取消 // - 心跳检测 2. 实际工程案例 Kafka：延迟消息、事务超时 Netty：连接超时管理 xxl-job：分布式定时任务 Elasticsearch：定时刷新索引 🤖 RAG (检索增强生成) 编排 核心算法流程
// 简化RAG流程 type RAGPipeline struct { documents []Document // 文档库 vectorDB VectorDB // 向量数据库 llm LLM // 大语言模型 promptMgr PromptManager // 提示词管理 }
func (r *RAGPipeline) Query(question string) string { // 1. 向量化查询 queryVector := r.vectorDB.Embed(question)
// 2. 相似度检索 (常用算法：余弦相似度)
topDocs := r.vectorDB.Search(queryVector, topK=5)
// 3. 上下文构建
context := r.buildContext(topDocs)
// 4. 提示词编排
prompt := r.promptMgr.BuildPrompt(question, context)
// 5. LLM生成
return r.llm.Generate(prompt)
} 核心算法与数据结构 算法 作用 实际应用 向量嵌入 文本→向量 Word2Vec, BERT, OpenAI Embeddings 相似度计算 余弦相似度、欧氏距离 FAISS, Milvus 图遍历 RAG链路编排 DAG调度、A*搜索 Top-K检索 K近邻搜索 HNSW, IVF 滑动窗口 上下文窗口管理 Token窗口控制 🎯 推荐系统算法
- 协同过滤 (Collaborative Filtering)
// 用户相似度计算 func UserSimilarity(userItems map[int][]int) map[int]map[int]float64 { // 算法：余弦相似度 // sim(u,v) = |N(u) ∩ N(v)| / sqrt(|N(u)| * |N(v)|)
// 应用场景：
// - 电商推荐
// - 视频推荐
// - 音乐推荐
} 2. 矩阵分解 (Matrix Factorization)
// 经典ALS算法 func ALS(userItemMatrix [][]float64) (U, V [][]float64) { // R ≈ U * V^T // U: 用户隐语义矩阵 // V: 物品隐语义矩阵
// 应用场景：
// - Netflix推荐
// - 广告CTR预估
} 3. 深度学习推荐 模型 特点 应用 Wide&Deep 记忆+泛化 Google Play推荐 DeepFM 自动特征交叉 CTR预估 DIN 注意力机制 阿里巴巴广告推荐 Graph Neural Network 图神经网络 社交推荐 🔗 分布式算法
- 一致性哈希 (Consistent Hashing)
type ConsistentHash struct { nodes []string hashRing map[uint32]string // 哈希环 virtualNodes int // 虚拟节点数 }
func (c *ConsistentHash) Get(key string) string { hash := c.hash(key) node := c.getNode(hash) return node }
// 应用场景： // - Redis Cluster分片 // - Cassandra数据分布 // - 负载均衡 // - CDN内容分发 2. Raft/Paxos (分布式一致性)
type RaftNode struct { state NodeState // Follower, Candidate, Leader log []LogEntry // 日志 commitIdx int // 已提交位置 }
// 应用场景： // - etcd一致性存储 // - Consul服务发现 // - Kafka Controller选举 // - TiKV分布式事务 📈 实时计算算法
- 滑动窗口统计
type SlidingWindowCounter struct { windowSize int // 窗口大小 data []int64 // 环形缓冲区 currentIdx int // 当前索引 currentSum int64 // 当前窗口和 }
// 应用场景： // - 实时统计API调用量 // - 用户行为分析 // - 监控指标计算 2. HyperLogLog (基数估算)
type HyperLogLog struct { registers []uint8 // 寄存器数组 m int // 桶数 }
// 应用场景： // - UV统计 (DAU/MAU) // - Redis PFADD // - 数据库去重基数估算 3. Count-Min Sketch (频次统计)
type CountMinSketch struct { depth int // 哈希函数数量 width int // 数组宽度 cms [][]int64 // 计数数组 }
// 应用场景： // - Top-K热词统计 // - 流量去重 // - 频率估算 🎨 其他高频应用
- 搜索排序 算法 应用场景 BM25 文本相关性排序 TF-IDF 关键词权重计算 PageRank Google网页排序 HNSW 向量搜索
- 图算法 算法 应用场景 Dijkstra 路径规划、导航 A* 游戏寻路、AI导航 最小生成树 网络拓扑设计 拓扑排序 依赖管理、任务调度
- 机器学习 算法 应用场景 LR (逻辑回归) CTR预估 GBDT 推荐、排序 K-Means 用户聚类 决策树 规则引擎、风控 💡 总结：业务优先级 最常用TOP 10： 哈希表 - 缓存、唯一性检查 B+树 - 数据库索引 LRU/LFU - 缓存淘汰 布隆过滤器 - 去重、穿透防护 一致性哈希 - 分布式存储 时间轮 - 定时任务 滑动窗口 - 实时统计 令牌桶 - 限流 LR/GBDT - 推荐、CTR 向量检索 - 语义搜索、RAG 实际工作中： 80%问题用基础数据结构解决（数组、链表、哈希表、堆） 15%需要高级算法（DP、图算法、搜索） 5%需要机器学习/深度学习 需要我详细讲哪个场景的算法实现？