你读过哪些让你醍醐灌顶的Java代码?

比如困扰我很久的二分法：

再比如考察频率贼高的深度优先搜索（DFS）：

很多大佬看完会diss我：这些代码有啥NB的，我也能写出来，但问题是它真的好用啊，可以说是算法面试的刷题利器！

这份算法模板是我在《九章算法班》的首节免费试听讲座上拿到的，主讲人令狐冲分享了很多算法面试的技巧，感兴趣的话你们也可以去免费试听下~

接下来，具体说下这份模板怎么用，又是怎么让我感到“醍醐灌顶”的。

排序算法

排序算法一般是考察其中的快速排序和归并排序及相关的题，必须背诵这两个排序。

先来看这道例题，大家可以试着做一下：
LintCode 463. 整数排序
如果做不出来，就可以参考这个模板。

复杂度

• 时间复杂度：

• 快速排序(期望复杂度) ： O(nlogn)

• 归并排序(最坏复杂度) ： O(nlogn)

• 空间复杂度：

• 快速排序 ： O(1)

• 归并排序 ： O(n)

代码模板

接下来，试着套用模板做这道题：
LintCode 464. 整数排序 II

能做出来你也就出师了，接下来就是通过反复练习+理解思路不断巩固，我现在在面试中遇到排序算法基本可以直接秒。

宽度优先搜索 BFS

再说说DFS的好兄弟BFS。宽度优先搜索的考察频率高，实现一般都不难，在准备算法面试中可以优先考虑搞定它。

依葫芦画瓢一下，会使用DFS来解题的情况包括：

使用条件

1. 拓扑排序(100%)
2. 出现连通块的关键词(100%)
3. 分层遍历(100%)
4. 简单图最短路径(100%)
5. 给定一个变换规则，从初始状态变到终止状态最少几步(100%)

复杂度

• 时间复杂度：O(n + m)
• n 是点数, m 是边数
• 空间复杂度：O(n)

代码模板

接下来，结合这几道例题来理解这份模板：

LintCode 974. 01 矩阵(分层遍历)

LintCode 431. 找无向图的连通块

LintCode 127. 拓扑排序

动态规划

再来说个特别的，最令人头大的动态规划。

令狐老师在《FB面试官揭露算法技巧》的讲座中有提到动态规划的解题法则

首先要搞懂动态规划的使用场景

这些情况不适用动规，不要被坑：

• 找所有具体的方案（准确率99%）
• 输入数据无序(除了背包问题外，准确率60%~70%)
• 暴力算法已经是多项式时间复杂度（准确率80%）

这些情景可以考虑使用动态规划，但也别钻牛角尖：

• 求方案总数(90%)
• 求最值(80%)
• 求可行性(80%)

接下来，搞懂第一个重要概念：动态规划四要素(对比递归的四要素)：

• 状态 (State) – 递归的定义
• 方程 (Function) – 递归的拆解
• 初始化 (Initialization) – 递归的出口
• 答案 (Answer) – 递归的调用

现在，我们就可以根据动态规划的不同类型找到不同解法：

①背包型

• 给出 n 个物品及其大小,问是否能挑选出一些物品装满大小为m的背包
• 题目中通常有“和”与“差”的概念，数值会被放到状态中
• 通常是二维的状态数组，前 i 个组成和为 j 状态数组的大小需要开 (n + 1) * (m + 1)

对应解法

a.背包

• 状态 state

dp[i][j] 表示前 i 个数里挑若干个数是否能组成和为 j 

方程 function

dp[i][j] = dp[i - 1][j] or dp[i - 1][j - A[i - 1]] 如果 j >= A[i - 1] 

dp[i][j] = dp[i - 1][j] 如果 j < A[i - 1] 

第 i 个数的下标是 i - 1，所以用的是 A[i - 1] 而不是 A[i] 

初始化 initialization

dp[0][0] = true 

dp[0][1...m] = false 

答案 answer

使得 dp[n][v], 0 s <= v <= m 为 true 的最大 v 

b.多重背包

• 状态 state

dp[i][j] 表示前i个物品挑出一些放到 j 的背包里的最大价值和 

方程 function

dp[i][j] = max(dp[i - 1][j - count * A[i - 1]] + count * V[i - 1]) 

其中 0 <= count <= j / A[i - 1] 

初始化 initialization

dp[0][0..m] = 0 

答案 answer

dp[n][m]

②区间型

• 题目中有 subarray / substring 的信息
• 大区间依赖小区间
  用 dp[i][j] 表示数组/字符串中 i, j 这一段区间的最优值/可行性/方案总数
• 状态 state

dp[i][j] 表示数组/字符串中 i,j 这一段区间的最优值/可行性/方案总数 

方程 function

 dp[i][j] = max/min/sum/or(dp[i,j 之内更小的若干区间]) 

③匹配型

• 通常给出两个字符串
• 两个字符串的匹配值依赖于两个字符串前缀的匹配值
• 字符串长度为 n,m 则需要开 (n + 1) x (m + 1) 的状态数组
• 要初始化 dp[i][0] 与 dp[0][i]
• 通常都可以用滚动数组进行空间优化
• 状态 state

dp[i][j] 表示第一个字符串的前 i 个字符与第二个字符串的前 j 个字符怎么样怎么样(max/min/sum/or) 

④划分型

• 是前缀型动态规划的一种, 有前缀的思想
• 如果指定了要划分为几个部分：
• dp[i][j] 表示前i个数/字符划分为j个 部分的最优值/方案数/可行性
• 如果没有指定划分为几个部分:
• dp[i] 表示前i个数/字符划分为若干个 部分的最优值/方案数/可行性
• 状态 state
  指定了要划分为几个部分:dp[i][j] 表示前i个数/字符划分为j个部分的最优值/方案数/可行性
  没有指定划分为几个部分: dp[i] 表示前i个数/字符划分为若干个部分的最优值/方案数/可行性

⑤接龙型

• 通常会给一个接龙规则，问你最长的龙有多长
• 状态表示通常为: dp[i] 表示以坐标为 i 的元素结尾的最长龙的长度
• 方程通常是: dp[i] = max{dp[j] + 1}, j 的后面可以接上 i
• LIS 的二分做法选择性的掌握，但并不是所有的接龙型DP都可以用二分来优化
• 状态 state
  状态表示通常为: dp[i] 表示以坐标为 i 的元素结尾的最长龙的长度

方程 function

dp[i] = max{dp[j] + 1}, j 的后面可以接上 i 

复杂度

• 时间复杂度:
• O(状态总数 * 每个状态的处理耗费)
• 等于O(状态总数 * 决策数)
• 空间复杂度：
• O(状态总数) (不使用滚动数组优化)
• O(状态总数 / n)(使用滚动数组优化, n是被滚动掉的那一个维度)

可以来试试这几道领扣例题

• LintCode563.背包问题V(背包型)

• LintCode76.最长上升子序列(接龙型)

• LintCode 476.石子归并V(区间型)

• LintCode 192. 通配符匹配 (匹配型)

• LintCode107.单词拆分(划分型)

差不多就分享到这里啦，像是双指针、排序算法、二叉树、宽度优先搜索、深度优先搜索的使用条件、时间复杂度、代码模板，这份模板也都有涵盖。

当然啦，学习算法还是要一步步循序渐进，在理解解题思路的情况下去背诵这份模板，这样它才能真正的发挥价值。