说来也巧最近后台有读者翻出我早年整理的滴滴出行秋招算法岗笔试复盘问我还留着没有。翻出来看了看发现这份材料即便是放在现在对准备大厂算法岗笔试的同学依然有参考价值。滴滴的算法岗笔试在当年以“覆盖面广、题量适中、单题挖得深”著称不像有些厂纯刷LeetCode也不像另一些厂纯考机器学习理论它更像是把数据结构、图论、机器学习、深度学习、场景建模揉在一起的一张综合卷。我当时整理这份汇总时特意把每道题的题型、考察点、可复现的思路都做了标注。这篇文章就是基于那次汇总的全面回顾配合近年热门的算法考点做了一层扩展希望能帮你少走点弯路。1. 先从试卷结构说起算法岗笔试到底考什么1.1 题型分布与时间节奏滴滴2017秋招算法岗笔试是典型的在线笔试时长一般在90分钟到120分钟之间。从考生回忆版来看题量通常在10到12道左右但不会全是编程题而是分成了三类题型大致题量占比考察重点单选题4-6道30%-40%数据结构、算法原理、机器学习基础编程题2-3道30%-40%字符串处理、图论、贪心/动态规划简答/场景题1-2道20%-30%业务建模、算法选型、优化思路时间分配上我个人建议把单选题控制在20分钟内编程题留足50分钟以上场景题最后用15到20分钟写框架即可。很多同学栽就栽在单选题上纠结太久导致编程题没时间调试。记住一个原则在线笔试的得分效率比单题完美更重要。1.2 命题基调为什么看起来像“大杂烩”滴滴的算法岗笔试之所以看起来“杂”根子上是因为算法团队分多条线有做推荐搜索的有做地图路径规划的有做运筹优化的还有做语音图像信号处理的。不同业务线共用一套笔试题自然会把各自关注的基础能力都塞进去。所以这份卷子透露出来的信号是滴滴更看重候选人有没有“算法全栈意识”——既能手写KMP也能聊清楚XGBoost的增益计算还能对一个开放业务问题给出分步骤的解决思路。这也是我后来给学弟学妹做辅导时反复强调的如果只刷LeetCode不去补机器学习基础很容易被单选和简答拖垮。2. 被反复用来“卡人”的数据结构与字符串题2.1 KMP与next数组当年最经典的送命题热词里有“在KMP算法中对于模式串p‘abacaba’其next数组next[i]定义为...”——这基本就是滴滴当年选择题的原型或者近亲。KMP几乎是所有大厂笔试的“常青树”但滴滴考得更细不是让你背模板而是直接给你一个具体模式串让你算next数组。以pabacaba为例next数组有两种常见定义一种是next[i]表示“模式串前i个字符组成的子串中最长相等前后缀的长度”另一种是next[i]表示“失配时跳转的位置”通常为最长相等前后缀长度减一。如果你不先明确题目用的是哪种定义答案可以直接差出1。计算过程我拆给你看按next[i]为最长相等前后缀长度的定义i0规定next[0] -1或0看题目约定。i1子串a无真前后缀长度0。i2子串ab前缀集合{a}后缀集合{b}无交集长度0。i3子串aba前缀{a,ab}后缀{a,ba}交集{a}最长长度1。i4子串abac前缀{a,ab,aba}后缀{c,ac,bac}无交集长度0。i5子串abaca前缀{a,ab,aba,abac}后缀{a,ca,aca,baca}交集{a}长度1。i6子串abacab前缀{a,ab,aba,abac,abaca}后缀{b,ab,cab,acab,bacab}交集{ab}长度2。i7完整串abacaba前缀集合和后缀集合的公共部分为{a,aba}最长的是aba长度3。所以按这个定义结果为[-1,0,0,1,0,1,2,3]i从0到7。如果把第一位约定为0则是[0,0,0,1,0,1,2,3]。你只要在考场上先确认约定再按“最长相等前后缀”的规则推一遍基本不会错。提示很多同学背了getNext的模板却不理解next数组是在“自己匹配自己”。真正理解之后遇到任意模式串都能现场推导远比背代码可靠。2.2 排序与堆从调用到实现原理的追问选择题里还有一个高频方向是排序算法。热词里同时出现了“冒泡排序算法c”“堆排序算法”“快速幂算法c”当年滴滴的卷子里也确实有类似题目给定一个近乎有序的数组问哪种排序算法实测最快或者给出一组数据要求手写堆排序的调整过程。这类题真正的坑不在“会不会写”而在“能不能说清原理”。比如堆排序很多人只知道“建堆然后依次弹出堆顶”但真让你对一个长度为n的数组建大顶堆问你“为什么从n/2-1开始向下调整”这里考的就是完全二叉树的性质——叶子节点不需要调整从最后一个非叶子节点开始才能保证子树已经是大顶堆。再比如快速幂滴滴的编程题里如果出现求大数幂取模的裸题本质就是在考快速幂。核心思路是把指数拆成二进制靠着“每轮平方底数”的方式把时间复杂度从O(n)降到O(log n)。当年这道题本身不难但很多人不知道用快速幂直接写循环小数据能过大数据全超时。2.3 贪心与动态规划的边界感滴滴的编程题很喜欢考“看似能做贪心、实际必须动规”的题以及反过来“看似可以动规、贪心更快”的题。这种题考察的就是你对问题结构的判断力。举个例子有一道回忆度很高的题给定一组区间问最多能选出多少个互不重叠的区间。这是经典的“区间调度”问题按结束时间排序后从左往右贪心选即可证明思路是“每次选择结束时间最早的区间能为后续留出最大空间”。但如果你把它改成“区间带权重选出的区间总权重最大”贪心就失效了得按结束时间排序后做动态规划。我的建议是考场上先花1分钟判断问题的贪心性质是否有最优子结构、是否具有贪心选择性质如果两个性质不满足立即转DP。不要在一道题上同时纠结两种思路超过10分钟。3. 图论与搜索算法这些题其实是在考建模能力3.1 Dijkstra与最短路径的变体滴滴做地图和网约车调度图论题几乎是必出的。热词里的“dijkstra算法”非常典型。但滴滴很少直接考裸的Dijkstra通常是给一个业务场景让你抽象成图再求最短路。比如你可能会遇到这样一道回忆版题城市里有N个路口M条道路每条道路有两个属性——通行时间和拥堵概率求从起点到终点通行时间最短的路径。这里图节点是路口边是道路权重就是通行时间直接Dijkstra。但如果题目再加一个约束“要求整条路径的拥堵概率总和不得超过阈值”那就不只是最短路了得用带约束的图搜索或动态规划。另外要留意Dijkstra使用的前提边权非负。如果题目里出现了负权边堆优化的Dijkstra会直接算出错误答案这时候应该考虑Bellman-Ford或SPFA。这是个高频易错点很多人刷题时没踩过这个坑做笔试题就容易翻车。3.2 二分图匹配与HK算法的思路热词里的“二分图 hk算法”也让我想起来滴滴的笔试选择题里确实出现过二分图匹配的概念题。HK算法Hopcroft-Karp算法是二分图最大匹配的优化版通过BFS构建增广路径层数图再用DFS寻找多条增广路把复杂度从O(VE)优化到O(E√V)。但说句实在话笔试阶段不会让你完整写HK算法最多考到概念层比如“在二分图中最大匹配数等于最小点覆盖数”这类等价定理或者匈牙利算法的基本思想。真正需要手写HK的情况一般是在面试阶段聊到极致优化时才会出现。如果你是准备笔试二分图这块掌握到能说明白“什么是增广路径”“匈牙利算法怎么找增广路”“HK相比匈牙利优化在哪”就足够如果你是想冲更高级别的岗位建议把匈牙利算法手写一遍HK算法至少能讲清楚结构。3.3 剪枝与启发式搜索的实用场景搜索类题目在滴滴笔试里通常以“迷宫最短路径障碍物动态变化”“棋盘上的最少移动次数”等形式出现。这类题表面是BFS但如果你直接用裸BFS往往会在大数据量下超时这时候就轮到剪枝和启发式搜索出场了。我记得有一道回忆版的题大意是在一个网格里从起点走到终点某些格子有代价求最小代价路径。很多人条件反射就是Dijkstra但如果你分析一下就会发现当网格规模很大并且代价范围很小的时候用双端BFS0-1 BFS甚至A算法会更快。A的关键是选对启发函数比如曼哈顿距离作为估计值只要估计值不大于真实代价就能保证找到最优解同时减少搜索范围。我在实际准备时养成了一个习惯凡是看到“网格”“地图”“最短”这几个关键词先不急着写代码而是先在草稿纸上判断——是无权图还是有权的是单源还是多源是否适合加启发函数这几个问题想清楚代码往往10分钟内就能写完。4. 机器学习与深度学习笔试里的“算法”不只指数据结构4.1 传统机器学习算法从KNN到XGBoost很多只刷题不学ML的同学会在这一块吃大亏。滴滴的算法岗笔试单选里机器学习基础占的比例不低。热词里的“knn算法的应用能力包括哪三个方面”“机器学习算法”“xgboot算法”都指向这个方向。KNN当年考过一道很典型的选择题给定一组样本点和一个查询点问取k3和k5时分类结果是否相同。这道题看起来简单但考察了三个关键点一是距离度量方式欧氏距离还是曼哈顿距离二是K值选取对决策边界的影响三是投票时是否需要考虑距离权重。很多人只记得KNN是“看邻居”却忽略了这三个细节答案自然就错了。XGBoost也是高频考点。滴滴业务中大量使用GBDT和XGBoost做排序和预估模型所以笔试考到并不意外。常见考察点包括XGBoost的目标函数由损失项、正则项和常数项构成分裂时用贪心算法枚举特征取值寻找最优分裂点正则项包含叶子节点数和叶子权重的L2范数用来控制模型复杂度。如果你能说清楚“为什么XGBoost比普通GBDT多了二阶导数信息”这道题基本就稳了。顺带一提“bm25算法”也出现在热词里。BM25是搜索引擎里常用的文本相关性排序公式属于传统信息检索算法。如果笔试涉及推荐搜索方向BM25这类文本匹配算法也可能会出现在选择题或简答题中至少要知道它是对TF-IDF的一种改进引入了文档长度归一化和词频饱和函数。4.2 聚类与无监督学习的高频点“聚类算法”在滴滴笔试里也不止一次出现。滴滴的乘客分群、司机调度、异常检测等场景都会用到无监督方法。K-Means是最常考的但如果只背“随机选K个中心点迭代更新”这个流程遇到稍深一点的题就容易翻车。常考的细节包括K-Means算法一定能收敛到全局最优吗不是它只能保证收敛到局部最优所以需要多次随机初始化选最好结果。如何选择K值常用手肘法和轮廓系数但笔试题可能让你根据聚类结果反推K。K-Means对初始中心敏感对离群点敏感对非球形簇效果差这些局限性要能展开说。相比之下DBSCAN这种基于密度的聚类方法在异常检测场景里更实用因为它不需要提前指定簇数还能自动识别噪声点。滴滴笔试里如果给一个“找出异常聚集区域”的场景题用DBSCAN的答题思路明显比K-Means更贴合业务。4.3 深度学习与强化学习的入门级考察深度学习方面滴滴的笔试更偏向考概念和应用。热词里的“深度学习算法”“强化学习算法”“kl elbo算法原理详解”都与此相关。KL散度与ELBO的考点通常是这样的在变分自编码器VAE中ELBO是证据下界等于重构似然期望减去KL散度项训练过程就是最大化ELBO。你可能不会在滴滴笔试里遇到特别深的推导题但“为什么VAE要引入重参数化技巧”“KL散度为什么是不对称的”这类概念题出现概率不低。记住一句话KL散度衡量的是两个概率分布的差异但它不是距离因为不对且不满足三角不等式。强化学习也偶尔出现在笔试中比如问“探索与利用的平衡”epsilon-greedy策略中epsilon过大或过小分别会导致什么问题。这类题不要求你完整推导Q-learning更新公式但至少要理解状态、动作、奖励、策略四个基本要素。5. 场景题与开放题拿到分和拿不到分的差距在哪5.1 从粒子群到模拟退火优化算法在业务里的应用滴滴笔试的场景题有时候会跳出常规“机器学习八股”直接给你一个运筹优化问题。热词里的“粒子群算法原理”“模拟退火算法”“剪枝算法”“井字棋minimax算法实现详解”等都属于这个方向。我记得有一道回忆版开放题大意是某个区域内有大量订单和司机如何设计一个派单策略使得整体接驾时间最短。这个问题没有标准答案但答题时可以分层次展开最朴素的方案是贪心——每个订单分配给最近的空闲司机进一步是全局最优——把订单和司机建模成二分图用KM算法或匈牙利算法求最小权完美匹配再进一步如果约束条件多了司机会拒单、订单有截止时间那就需要引入启发式搜索或模拟退火、粒子群等元启发式算法在可行解空间里搜索近似最优解。粒子群算法PSO的核心理解方式很简单把每个候选解看成一只“鸟”每只鸟有自己的位置和速度通过向个体历史最优和群体历史最优方向飞行逐步逼近全局最优解。笔试里如果出现PSO大概率是问“PSO与梯度下降的区别在哪里”核心答法是梯度下降利用导数信息做确定性更新PSO不依赖梯度用群体协作的随机搜索去逼近最优解适合非凸、不可导的优化问题。模拟退火算法的思想也类似以一定概率接受比当前解更差的解避免陷入局部最优。这个“概率”随着温度下降而减小最终收敛到近似全局最优。如果你能在场景题里提到这两个算法的适用场景会让阅卷人觉得你有工程全局观。5.2 实时系统与信号处理类题目的出现方式滴滴做车联网和语音交互对信号处理和实时控制算法也有需求所以热词里的“卡尔曼滤波算法”“pid算法”“音频重采样算法”“图像锐化的拉普拉斯算法”等在笔试的单选题里偶尔会出现。卡尔曼滤波是GPS定位和传感器融合里的经典算法。考法一般是在一个动态系统中已知状态转移矩阵和观测矩阵如何融合预测值和观测值。核心公式不用全背但你要理解它的两个步骤——预测根据上一时刻状态推断当前状态和更新结合当前观测修正预测值以及“卡尔曼增益”是在预测不确定性和观测不确定性之间做权衡。PID算法则是控制领域里最常用的闭环控制算法。考法通常是在某个控制系统中增大比例系数P会加快响应速度但同时增大超调量增大积分系数I可以消除稳态误差但可能引起震荡增大微分系数D可以抑制超调但对噪声敏感。这道题几乎是送分题但如果你没接触过控制系统确实会完全懵掉。提示这类题不需要你完整推导公式但你要具备“用物理直觉理解算法行为”的能力。我在备考时把卡尔曼滤波、PID、傅里叶变换的基本思想都过了一遍事实证明非常值得。5.3 开放题的答题框架开放题是最能拉开分差的题型。很多同学遇到开放题就懵不知道从哪下手。我总结了一个百试不爽的答题框架明确目标先写出你要优化的指标是什么比如接驾时长、成交率、用户满意度。拆解约束列出所有实际约束条件司机数量有限、订单有时间窗、用户偏好等。给出基线方案先说一个最简单的可行方案贪心、规则匹配。提出优化方案在基线方案上做增量优化可以用匹配算法、机器学习模型、运筹优化等。说明评估方式怎么离线评测、怎么做A/B实验、关注哪些指标。这个框架不一定让你拿到满分但能保证你在有限时间内输出一个结构完整的答案而不是写两行词不达意的句子。6. 复盘后的备考建议与踩坑记录6.1 时间分配的实战经验我当时模拟练习时给自己定的规矩是单选题25分钟内必须交卷编程题每题40分钟如果45分钟还没调通就先写暴力版本保底场景题留15分钟写框架。这套策略在滴滴笔试里帮了我大忙——因为有一道编程题我用Dijkstra的变体写了25分钟没跑通果断改成暴力BFS拿到了部分分数最后总分反而比死磕到底要好看。还有一点要提醒在线笔试的编译器通常比较“死板”不支持很多C新特性如果你平时习惯用Python刷题遇到C环境可能会手生。建议在笔试前至少用目标语言把KMP、堆排序、Dijkstra、二分图匹配这四类模板各写一遍手熟了心态才会稳。6.2 哪些知识点容易被轻视从热词和当年笔试的对比来看有几个知识点容易被刷题党忽略快速幂看似简单但结合矩阵快速幂就是斐波那契数列优化的基础很多编程题里它是个隐藏前置技能。音频/图像算法如果你不是做信号处理方向的可能觉得很偏但滴滴确实有相关业务线考到拉普拉斯算子、重采样这类题并不奇怪。剪枝算法搜索问题里剪枝是永恒的主题从Alpha-beta剪枝到回溯法的剪枝条件都属于低概率但高区分度的考点。BM25等检索算法如果投的是推荐搜索方向这类内容必看。6.3 对后续面试的衔接建议最后说一点关于笔试和面试衔接的事。滴滴的笔试不会只看总分面试官在后续面试中可能会直接拿着你的笔试答卷来问“你当时这道题是怎么想的”如果你笔试时用了某种取巧方案面试时却说不清楚原理反而会减分。所以我的习惯是做完笔试题后不管有没有AC都会把每道题的思路整理成一份文档记录解题路径、时间复杂度、还有哪些可以优化的方向。这样即使笔试成绩不理想面试时也能展示出“我一直在思考”的态度这在后来的面试中真的帮到过我。如果你正在准备算法岗笔试希望这份复盘能让你少踩几个坑。哪怕你投的不是滴滴里面涉及的KMP、Dijkstra、贪心与动规的边界判断、聚类算法、场景题框架也都值得反复琢磨。