专注计算机视觉算法训练，算法优化部署以及SDK开发的知识分享。

编写递归函数时，必须告诉它何时停止，因此，每个递归函数有两个部分：基线条件(base case)和递归条件(recursive case)。递归条件指的是函数调用自己，而基线条件则 指的是函数不再调用自己，从而避免形成无限循环。

剑指offer习题题解，C++版本代码，并附带个人算法题解题方法总结。题目包括数据结构：数组、链表、栈和队列等，以及常见的算法：排序、分治、回溯、递归、贪心、动态规划等。

数组（Array）是一种线性表数据结构。它用一组连续的内存空间，来存储一组具有相同类型的数据。数组的两个特点是：线性表。连续的内存空间和相同类型的数据（随机访问）。

针对链表的插入、删除操作，需要对插入第一个节点和删除最后一个节点的情况进行特殊处理。head = null 表示链表中没有节点，head 表示头节点，指向链表中的第一个节点。引入哨兵节点，哨兵节点不管链表是否空，head 指针都会已知指向哨兵节点。有哨兵节点的链表叫作带头链表，反之则是不带头链表。利用哨兵简化编程难度的技巧再插入排序、归并排序、动态规划等代码中都有用到。

对于链表环的问题，潜在的一个结论是从快慢指针的相遇点到环的入口节点 B 的距离和头节点到环的入口节点 B 的距离是相等的，即 $AB = CB$。

字符串处理这类题目可以分为两类，一类是有前置或者后置空格的，另一类是没有前置和后置空格的。 1、如果有前后置空格，那么必须判断临时字符串非空才能输出，否则会输出空串。

栈和队列都是一种"操作受限"的线性表（逻辑结构），只允许在一端插入和删除数据；栈的特性是先进后出，队列是先进先出。在项目中当某个数据集合只涉及在一端插入和删除数据，并且满足后进先出、先进后出的特性，这时应当首选"栈"这种数据结构。

队列和栈一样，也是一种抽象的数据结构，操作上具有“先进先出”的特性，队列只允许在"队首"进行删除操作，而在"队尾"进行插入操作。

简单说跳表（Skip list）就是链表的“二分查找”。redis 的有序集合用的就是跳表算法。跳表是一种各方面性能都比较优秀的动态数据结构，可以支持快速地插入、删除、查找操作，写起来也不复杂，甚至可以替代红黑树（Red-black tree）。

散列表的英文叫“Hash Table”，我们平时也叫它“哈希表”或者“Hash 表”，散列表用的是数组支持按照下标随机访问数据的特性，所以散列表其实就是数组的一种扩展，基于数组演化而来。散列表是通过散列函数将“关键字”（键 key）映射为数组下标，并将数据存储在数组下标对应的位置中。当我们按照“关键字”（键）查询元素时，我们再用同样的散列函数，将“关键字”（键 key）转化数组下标，从对应的数组下标的位置取数据（“散列值” Hash 值）。

散列表的查询效率并不能笼统地说成是 $O(1)$。它跟散列函数、装载因子、散列冲突等都有关系。如果散列函数设计得不好，或者装载因子过高，都可能导致散列冲突发生的概率升高，查询效率下降。

散列表和链表这两种数据结构经常被放到一起使用。比如 Redis 的有序集合不仅使用了跳表，还用了散列表。再比如 Java 语言中的 LinkedHashMap 容器，也用到了散列表和链表两种数据结构。

哈希算法也叫 hash 算法或散列算法。哈希算法的定义：将任意长度的二进制串映射为固定长度（一般是 128 bit）的二进制串，这个映射的规则就是哈希算法。而通过原始数据映射之后得到的二进制值串就是哈希值。

完全二叉树之所以这样定义是和二叉树的存储有关的。二叉树的存储有两种方法，一种是基于指针或者引用的二叉链式存储法，一种是基于数组的顺序存储法。链式存储法比较直观，每个节点有三个字段，其中一个存储数据，另外两个是指向左右子节点的指针。我们只要拎住根节点，就可以通过左右子节点的指针，把整棵树都串起来。

二叉查找树（Binary Search Tree）是二叉树中最常用的一种类型，也叫二叉搜索树。顾名思义，二叉查找树是为了实现快速查找而生的。二叉查找树最大的特点就是，支持动态数据集合的快速插入、删除、查找操作。二叉查找树的定义是，在树中的任意一个节点，其左子树中的每个节点的值，都要小于这个节点的值，而右子树节点的值都大于这个节点的值。

平衡二叉查找树其实有很多种，但是我们一般听到的基本都是红黑树。红黑树的英文是“Red-Black Tree”，简称 R-B Tree。它是一种不严格的平衡二叉查找树。顾名思义，红黑树中的节点，一类被标记为黑色，一类被标记为红色。

图和树一样都是非线性表数据结构，但是更复杂。树中的元素我们称为节点，图中的元素我们叫作顶点（vertex）。图中的一个顶点可以与任意其他顶点建立连接关系，这种连接关系叫作边（edge）。有方向的图叫做“有向图”。以此类推，我们把边没有方向的图就叫做“无向图”。

算法是基于特定数据结构之上的，深度优先搜索算法和广度优先搜索算法都是基于“图”这种数据结构的。树是图的一种特例（连通无环的图就是树）。

递归是一种应用非常广泛的算法（或者编程技巧）。很多数据结构和算法的编码实现都要用到递归，比如 DFS 深度优先搜索、前中后序二叉树遍历等。去的过程叫“递”，回来的过程叫“归”。基本上所有的递归问题都可以用递推公式来表示。

二分查找（Binary Search）算法是一种针对有序且不含重复数据集合的查找算法，时间复杂度为 O(logn) ，二分查找虽然性能比较优秀，但应用场景也比较有限。因为其底层依赖于数组这种结构，所以不适合数据量大的情况。再次，对于较小规模的数据查找，二分查找的优势并不明显，一般直接使用顺序遍历就可以了。二分查找更适合处理静态数据，也就是没有频繁的数据插入、删除操作。

排序算法是程序员必须了解和熟悉的一类算法，排序算法有很多种，基础的如：冒泡、插入、选择、快速、归并、计数、基数和桶排序等。

贪心算法（英语：greedy algorithm），又称贪婪算法，是一种在每一步选择中都采取在当前状态下最好或最优（即最有利）的选择，从而希望导致结果是最好或最优的算法。比如在旅行推销员问题中，如果旅行员每次都选择最近的城市，那这就是一种贪心算法。

分治算法（divide and conquer）的核心思想其实就是四个字，分而治之 ，也就是将原问题划分成 n 个规模较小，并且结构与原问题相似的子问题，递归地解决这些子问题，然后再合并其结果，就得到原问题的解。分治和递归的区别：分治算法是一种处理问题的思想，递归是一种编程技巧。

回溯的处理思想，有点类似枚举搜索。暴力枚举所有的解，找到满足期望的解。为了有规律地枚举所有可能的解，避免遗漏和重复，我们把问题求解的过程分为多个阶段。每个阶段，我们都会面对一个岔路口，我们先随意选一条路走，当发现这条路走不通的时候（不符合期望的解），就回退到上一个岔路口，另选一种走法继续走。

动态规划比较适合用来求解最优问题，比如求最大值、最小值等等。它可以非常显著地降低时间复杂度，提高代码的执行效率。它和递归一样都非常难学，主要学习难点在于求解问题的过程不太符合人类常规的思维方式。

一个模型指的是适合用动态规划算法解决的问题的模型，这个模型也被定义为“多阶段决策最优解模型”。具体解释如下：一般是用动态规划来解决最优问题。而解决问题的过程，需要经历多个决策阶段。每个决策阶段都对应着一组状态。然后我们寻找一组决策序列，经过这组决策序列，能够产生最终期望求解的最优值。