文章目录
思维导图来自 数据结构与算法看这一篇就够了
1. 数据结构
1.1 链表
链表相关问题常常伴随着指针的使用。
面试题18 删除链表的节点
双指针
面试题24 反转链表
间隔k步的双指针
面试题22 链表中倒数第k个节点
倍速双指针
面试题23 链表中环的入口节点
消除链表长度差
面试题52 两个链表的第一个公共节点
建造伪节点
例如新建1个值为无穷小的节点
node = Node(float(’-inf’))
1.2 数组
pass
1.3 字符串
滑动窗口法，什么时候扩大窗口，什么时候缩小窗口，什么时候移动窗口。不是只适用于字符串。
朴素匹配法
KMP法
1.4 数字
求商 //
求余 %
右移1位 >> 1，相当于除以2
左移1位 1 <<，相当于乘以2
a & 1 判断a的奇偶，结果为1为奇，为0为偶数
a ^ a 异或自己的结果为0
a ^ 0 异或零的结果为本身
转换为字符串，通过字符串解决问题
1.5 栈（LIFO）
充分考虑站的后进先出特点
1.6 队列（FIFO）
充分考虑队列的先进先出特点。
1.7 哈希表
哈希表是一个用空间换时间的典型，因为哈希表的读取只需要O(1)，所以在很多时候都是可以用哈希表来降低时间复杂度的。
需要注意的是，在python3.6中字典是有序的（按照插入顺序），具体的请查看这篇博客 为什么Python 3.6以后字典有序并且效率更高？
1.8 树
树相关的算法一般用递归、队列或栈。
树的问题使用递归时最好理解的，能使用递归的话，优先使用递归。
深度优先遍历（DFS）
深度优先遍历常常与栈相关。
广度优先遍历（BFS，或者叫层序遍历）
广度优先遍历常常与队列相关。
1.9 图
Dijkstra’s 算法
1.10 排序
详情见 图解十大经典排序算法
冒泡排序
最简单的一种排序算法。先从数组中找到最大值(或最小值)并放到数组最左端(或最右端)，然后在剩下的数字中找到次大值(或次小值)，以此类推，直到数组有序排列。算法的时间复杂度为O(n^2)。与选择排序不同的是，在每次遍历中，冒泡排序常常要交换多次，也就是一步步往上冒。
选择排序
从数组中找到最大值或者最小值并放到数组的最左端或最右端，每遍历1次才进行1次交换。
插入排序
插入排序的基本思想就是将无序序列插入到有序序列中。通常将数组的第一个元素看做有序数组，然后将后边的元素不断地插入到前面这个有序数组中。
快速排序
每次找一个基准值，左边的元素都比基准值小，右边的值都比基准值大。
一趟快速排序的具体做法为：设置两个指针low和high分别指向待排序列的开始和结尾，记录下基准值baseval(待排序列的第一个记录)，然后先从high所指的位置向前搜索直到找到一个小于baseval的记录并互相交换，接着从low所指向的位置向后搜索直到找到一个大于baseval的记录并互相交换，重复这两个步骤直到low=high为止。
希尔排序
希尔排序(Shell’s Sort)也是一种插入排序，它是简单插入排序经过改进之后的一个更高效的版本，也称为缩小增量排序。希尔排序是把记录按下标的一定增量分组，对每组使用直接插入排序算法排序；随着增量逐渐减少，每组包含的关键词越来越多，当增量减至1时，整个文件恰被分成一组，算法便终止。
归并排序
归并字面上的意思是合并，归并算法的核心思想是分治法，就是将一个数组一刀切两半，递归切，直到切成单个元素，然后重新组装合并，单个元素合并成小数组，两个小数组合并成大数组，直到最终合并完成，排序完毕。
桶排序
桶排序是将待排序集合中处于同一个值域的元素存入同一个桶中，也就是根据元素值特性将集合拆分为多个区域，则拆分后形成的多个桶，从值域上看是处于有序状态的。对每个桶中元素进行排序，则所有桶中元素构成的集合是已排序的。
堆排序
堆排序可以说是一种利用了堆的概念来排序的选择排序。分为两种方法：
大顶堆：每个节点的值都大于或等于其子节点的值，在堆排序算法中用于升序排列。
小顶堆：每个节点的值都小于或等于其子节点的值，在堆排序算法中用于降序排列。
2. 常用算法
双指针法、对撞双指针法
对撞双指针就是，某些情况下左指针右移，某些情况下右指针左移，当两指针碰撞时退出循环。
三指针法
摩尔投票法
二分法
常常要求序列有序，当然也有变种。
递归、记忆化递归
常用于二叉树的相关问题，由于递归可能会存在重复计算问题，所以有了记忆化递归（将之前计算的结果保存起来，供直接使用，避免重复计算）
穷举法
这个没啥好说的，就是暴力法。
动态规划（dynamic programming，简称dp）
动态规划最关键的就是找到状态转移方程，也可以说成是递推公式，根据前面的某些状态推导出当前的状态。
贪心法
贪心算法是指在对问题求解时，总是做出在当前看来是最好的选择。也就是说，不从整体最优上加以考虑，只做出在某种意义上的局部最优解。贪心算法不是对所有问题都能得到整体最优解，关键是贪心策略的选择，选择的贪心策略必须具备无后效性，即某个状态以前的过程不会影响以后的状态，只与当前状态有关。
解题的一般步骤是：
1.建立数学模型来描述问题；
2.把求解的问题分成若干个子问题；
3.对每一子问题求解，得到子问题的局部最优解；
4.把子问题的局部最优解合成原来问题的一个解。
分治法
分治法的设计思想是：将一个难以直接解决的大问题，分割成一些规模较小的相同问题，以便各个击破，分而治之。
分治策略是：对于一个规模为n的问题，若该问题可以容易地解决（比如说规模n较小）则直接解决，否则将其分解为k个规模较小的子问题，这些子问题互相独立且与原问题形式相同，递归地解这些子问题，然后将各子问题的解合并得到原问题的解。这种算法设计策略叫做分治法。
回溯法
在包含问题的所有解的解空间树中，按照深度优先搜索的策略，从根结点出发深度探索解空间树。当探索到某一结点时，要先判断该结点是否包含问题的解，如果包含，就从该结点出发继续探索下去，如果该结点不包含问题的解，则逐层向其祖先结点回溯。（其实回溯法就是对隐式图的深度优先搜索算法）。
若用回溯法求问题的所有解时，要回溯到根，且根结点的所有可行的子树都要已被搜索遍才结束。
而若使用回溯法求任一个解时，只要搜索到问题的一个解就可以结束。
分支限界法
回溯算法是深度优先，那么分支限界法就是广度优先的一个经典的例子。回溯法一般来说是遍历整个解空间，获取问题的所有解，而分支限界法则是获取一个解（一般来说要获取最优解）。
总结
我觉得，遇到一个算法题，一定要能对这个题目进行分类，就像高中时候做数学题一样，拿到这个题之后，要了解它的考点是什么，我应该用什么方法来解决，掌握了这一点就是把握住了大方向，就算最后还是做不出来也不会差的太远。