最近又看到有人在翻 2019 年校园招聘算法工程师的笔试题想起当年笔试前熬夜啃算法、刷题刷到怀疑人生的日子。虽然年份过去了几年但算法岗笔试的底层逻辑其实变化不大数据结构与算法、机器学习基础、数学推导、工程实现能力这几块永远是命题人最爱动刀的地方。如果你正准备算法岗校招或者想系统梳理一下自己的算法知识体系这篇复盘应该能帮你省下不少自己瞎摸索的时间。我写这篇东西的初衷很简单把当年笔试里出现频率最高的考点结合现在热门的算法关键词从原理到实战一次性讲透。不是简单罗列题目而是告诉你每一类题背后的考察意图、常见变形、最容易踩的坑以及我当时是怎么快速想到解的。这样你刷题时就不是死记硬背而是真正理解命题人想考什么。1. 试题概览算法岗笔试到底在考什么1.1 2019校招算法笔试的高频范围先给没经历过校招笔试的同学一个整体感知。2019年算法岗笔试大致分三批提前批、正式批、补录批题型以选择题 编程题为主部分公司会加简答题。选择题覆盖数据结构、算法分析、机器学习基础、概率统计、线性代数编程题一般是2到4道难度从“链表反转”到“动态规划优化”不等。我当时统计过手头的真题发现一个规律数据结构里的字符串、树、图算法里的排序、贪心、DP、搜索机器学习里的模型推导和损失函数这几块占了差不多八成题目。剩下的两成是工程向题目比如音频重采样、图像锐化、PID控制这类看上去偏门但只要你投的岗位方向对这类题反而能帮你拉开分差。另一个值得注意的点是笔试越来越不满足于“你知道这个算法”而是考“你能不能写出高效且正确的实现”。同一个排序题可能要求你比较冒泡、快排、堆排的耗时差异同一个KMP可能要求手动推导next数组而不是直接调库。所以这篇文章里我会刻意强调推导过程和复杂度分析这是笔试拿高分的关键。1.2 从热搜词反推命题人思路我在整理历年题目时发现一个有意思的现象热搜词往往就是命题风向标。比如“粒子群算法原理”、“kmp算法”、“堆排序”、“KL散度/ELBO”、“PID算法”、“卡尔曼滤波”、“Sobel算子”、“BM25算法”这些词在2019年前后的笔试题里反复出现。这说明命题人不是随机出题而是围绕几大能力维度来布局基础数据结构、经典算法设计、机器学习理论、工程信号处理。你可以把每道题归类到对应维度然后针对自己薄弱的部分集中突击。我当年吃过一个亏花太多时间刷机器学习推导结果第一轮笔试就挂在一道KMP手动求next数组上虽然那道题只有10分但直接影响了后面的做题心态。所以我建议你复习前先把真题按“数据结构 / 算法设计 / 机器学习 / 工程实现”四个象限分类再统计自己的失分分布。这样比盲目刷题高效得多。2. 数据结构与基础算法背模板不如懂原理2.1 字符串与KMPnext数组就是细节题KMP算法在2019年的笔试里出现频率很高而且考法多样有的让你手动算next数组有的让你比较KMP和暴力匹配的复杂度有的直接给一段模式串让你写出匹配过程。关键词“在KMP算法中对于模式串p\”abacaba\”其next数组(next[i]定义为...”就是一个非常典型的题目变体。先讲一个很多教材没强调清楚的点next数组到底存的是什么。严格来说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有些教材定义略有不同但原理一致。比如p “abacaba”我们手动推一遍next[1] 0因为只有一个字符没有真前后缀。next[2] 0子串“ab”前后缀没有相等。next[3] 1子串“aba”前缀a和后缀a相等长度1。next[4] 2子串“abac”前缀ab和后缀ac不匹配但a和c不相等……实际上这里应该看“abac”的最长相等前后缀前缀a/ab/aba后缀c/ac/bac只有前缀a与后缀ac的首字母a相同但长度1比较时后缀是c而不是a所以next[4]其实0。这里容易算错很多人因为看到字面上有个a就以为next[4]1其实最长相等前后缀必须连续且从首尾同时取。如果你在笔试里遇到手动算next数组的题我的建议是老老实实按定义一格格推不要跳步。因为跳步容易漏掉“长度相等”这个前提。我在实际写KMP代码时习惯把next数组下标从0开始并先预处理一个“失配时回退到哪里”的表这样可以避免很多边界问题。注意不同教材对next数组的下标起点和处理方式有差异笔试时先看一眼题目给的示例再动手否则容易因下标习惯不同丢分。2.2 排序算法从堆排到快排复杂度与稳定性要脱口而出“排序算法”是2019年笔试选择题的常客也是很多人掉以轻心的地方。最常见的考法是给你一组数据问你用快排、堆排、归并排序分别需要多少次比较或者让你比较它们的平均时间复杂度和空间复杂度。我在整理真题时发现堆排序被单独拎出来考的概率特别高。原因很简单堆排的建堆、上浮、下沉过程非常适合出细节题。比如“给定数组[3,1,4,1,5,9,2,6]画出初始大顶堆”这种题一旦你忘了堆的父子节点关系父节点下标i左孩子2i1右孩子2i2基本就全军覆没。另外一个高频考点是排序的稳定性。很多人以为稳定不重要但2019年好几家公司都问过“哪些排序是稳定的哪些不稳定”。直接记结论冒泡、插入、归并、基数稳定快排、堆排、选择不稳。至于为什么快排不稳定是因为分区时交换元素可能改变相等元素的相对顺序堆排不稳定则是因为堆调整时父节点与子节点的交换会打乱相对顺序。关于笔试复杂度分析我建议你把一张表刻在脑子里排序算法平均时间复杂度最坏时间复杂度空间复杂度稳定性冒泡排序O(n²)O(n²)O(1)稳定插入排序O(n²)O(n²)O(1)稳定选择排序O(n²)O(n²)O(1)不稳定快速排序O(nlogn)O(n²)O(logn)不稳定堆排序O(nlogn)O(nlogn)O(1)不稳定归并排序O(nlogn)O(nlogn)O(n)稳定这张表几乎每年必考别只背复杂度一定要能解释为什么。比如快排最坏情况是每次分区都选到最大/最小元素导致每次只排好一个元素退化到O(n²)堆排为什么最坏也是O(nlogn)因为堆调整的深度是log n。2.3 图与搜索Dijkstra、Kahn与贪心策略的边界图算法在笔试里的出场率也很高尤其集中在单源最短路和拓扑排序。Dijkstra算法几乎年年有公司考考法包括手写伪代码、计算某条最短路径、分析为什么不能处理负权边。Dijkstra的核心是贪心 松弛每次从未确定最短路的节点中选距离最小的用这个节点去更新邻居。这个逻辑本身不难但笔试喜欢挖坑如果图中存在负权边Dijkstra会出问题因为当前选出的“最小距离”可能在未来被负权边进一步减小导致前面做的选择不是最优。拓扑排序也很常见关键词“Kahn算法”就是拓扑排序的经典实现先找所有入度为0的节点删除它们并更新邻接节点的入度重复直到不存在入度为0的节点。如果最后还剩节点说明图里有环。这个算法是笔试和面试官聊“如何检测循环依赖”时的标准答案。我当时做图算法题有一个心得先把图的表示方式定下来邻接矩阵还是邻接链表。矩阵适合稠密图、代码好写但空间浪费链表适合稀疏图、空间省但代码稍复杂。笔试编程题一般给的是稀疏图优先用邻接链表。另外别忘了处理多组测试数据时的初始化很多人第一次提交挂在“上一组数据没清空”上。3. 经典算法专题从模拟退火到动态规划3.1 元启发式算法粒子群与模拟退火的共性一说“粒子群算法原理”和“模拟退火算法”很多人觉得这只是研究生阶段才用的工具笔试不会考。但2019年有几家公司确实把它们放进了选择题考的是“算法思想”而非实现细节。粒子群的核心思路是模拟鸟群觅食每个候选解是一个微粒微粒有位置和速度每次迭代根据个体历史最优和群体历史最优来更新速度与位置。模拟退火则模仿固体退火过程以一定概率接受比当前解差的解从而跳出局部最优。它们的共同点是都属于元启发式算法不保证找到全局最优但能在可接受时间内找到较优解。如果你在笔试里见到这类题我建议用一句话概括其精髓粒子群靠群体协作模拟退火靠概率跳坑。可以做一个类比——找宝藏的时候粒子群是一群小伙伴一边自己探索一边互相喊“我这边有金子”模拟退火则是一个人先四处乱走走累了才慢慢只在小范围里认真挖。这个类比能帮你快速理解题目在说什么。注意元启发式算法在笔试中通常不会要求手写完整实现更多是考察“是否理解算法的迭代过程”和“适用场景”。答题时尽量把算法步骤写清楚比硬背代码更靠谱。3.2 贪心与动态规划怎么判断“能不能贪”贪心算法和动态规划在2019年的编程题里几乎是半壁江山。关键词“贪心算法”背后要考的不是某道具体题而是你有没有培养出“贪心选择性质”的判断直觉。笔试里最常见的错误是“看着像贪心就贪结果全错”。判断一道题能不能用贪心我一般用两条标准第一局部最优选择是否真的能导到全局最优第二有没有交换论证或者反例证明。比如经典的活动选择问题按结束时间最早排序就能得到最优解这就是一个标准贪心但如果是背包问题的变种按单位价值从大到小贪就不是最优因为背包有容量约束局部最优不一定全局最优。动态规划则更像“填表游戏”。拿到题先想状态定义、转移方程、初始化和遍历顺序。2019年爱考的类型包括最长公共子序列、最长递增子序列、编辑距离、区间DP、背包问题。每道题都要能说清楚“为什么状态这样定义、为什么转移方程这样写”。比如编辑距离dp[i][j]表示把字符串A前i个字符变成字符串B前j个字符的最小操作数转移时只需要考虑三个操作插入、删除、替换。我刷DP题的时候有个习惯每道题先在草稿纸上画一张二维表标出初始状态和转移方向。这样不仅能帮你理清思路笔试现场还能作为辅助推理的草稿。3.3 数学与位运算技巧快速幂与剪枝快速幂是笔试中一道“性价比”很高的题代码短、思路简单但考得频繁。“快速幂算法c”这个搜索词不是没原因的一道简单的幂计算题如果你用循环连乘O(n)复杂度数据一大就超时用快速幂每次把指数减半O(logn)就能搞定。快速幂的核心思想是分治 二进制展开。比如计算x^1313的二进制是1101所以x^13 x^8 * x^4 * x^1。代码实现时通常用while循环每次判断当前指数二进制最低位是否为1是则乘上当前底数然后底数自乘、指数右移一位。剪枝算法在笔试题里更多出现在搜索题中比如DFS、回溯法里通过提前判断不可能的分支来减少搜索空间。常见剪枝策略有可行性剪枝当前路径已经不满足条件直接返回、最优性剪枝当前部分解已经比已知最优解差直接返回、重复状态剪枝用记忆化数组记录已经访问过的状态。工程里我喜欢把这类题统称为“状态搜索 剪枝优化”2019年的笔试编程题有好几道本质上都是这个套路。如果你已经掌握了DFS和BFS再加上剪枝面对“迷宫最短路径”、“N皇后”、“组合求和”这类题会从容很多。4. 机器学习与深度学习算法笔试里的高分区4.1 从KL散度到ELBO概率模型推导是必考项机器学习方向的同学要注意2019年算法岗笔试里概率模型推导题占比不低。关键词“kl elbo 算法原理详解”指向的正是变分推断里的核心概念KL散度、ELBO。虽然直接让你写ELBO推导的公司不多但选择题里考“KL散度是否对称”、“ELBO和证据下界的关系”的题很常见。KL散度用来衡量两个概率分布之间的距离公式是KL(P||Q)∫P(x)log(P(x)/Q(x))dx。需要注意KL散度不对称KL(P||Q)不等于KL(Q||P)所以它不是一个严格意义的距离度量。这一点是选择题高频坑点。ELBOEvidence Lower Bound在变分推断中的作用是对数似然log p(x)很难直接计算于是我们找一个容易计算的分布q(z)把log p(x)拆成ELBO和KL散度之和。因为KL散度非负ELBO是对数似然的下界最大化ELBO等于间接让KL散度最小化。这就是变分推断的核心逻辑。我当时复习这一块时习惯把公式推到纸面上反复练到能不看笔记写出来。笔试时如果遇到这种题先写出log p(x) ELBO KL(q||p)这个核心关系再展开说明ELBO可以写成期望形式基本上就能拿大部分分。4.2 聚类、KNN与降维监督与非监督的边界“聚类算法”和“knn算法的应用能力包括哪三个方面”这两个热词反映的是笔试对“监督学习和无监督学习边界”的考察。K-Means是聚类属于无监督KNN是分类/回归属于监督学习但两者名字里都有K很多人容易混淆。笔试里对KNN的考察点包括K值选择的影响K太小容易过拟合K太大容易欠拟合、距离度量方式欧氏距离、曼哈顿距离、特征缩放的重要性如果特征量纲不一致距离计算会被大数值特征主导。而聚类算法除了K-Means还可能考层次聚类、DBSCAN、高斯混合模型。我觉得这类题最能区分“背过”和“真正理解”。你不能只说“K-Means迭代直到收敛”还要说清楚初始化质心的方式会影响结果、K值怎么选肘部法、K-Means假设簇是凸的所以对不规则簇效果不好。笔试选择题里经常在这些细节上挖坑。4.3 集成学习与神经网络XGBoost和反向传播的考点“xgboost算法”和“深度学习算法”在2019年的热度已经很高。笔试不会让你手写XGBoost但可能会问XGBoost和GBDT的区别、为什么XGBoost用了二阶导数、正则项是怎么加的。这些问题的核心是“XGBoost在GBDT基础上做了哪些改进”目标函数加入正则项、用二阶泰勒展开近似损失、支持列抽样、能自动处理缺失值。神经网络部分的考点集中在反向传播。别以为笔试不会让你手推反向传播2019年真有公司给了一个只有两三层的简单网络让你手动计算一次前向传播和一次反向传播的梯度。这种题没有技巧就是按链式法则一步步展开。我的建议是考前自己用纸笔推一遍sigmoid 交叉熵 单隐层网络的全过程推通了以后基本不怕任何手推梯度题。另外还考过“梯度消失”和“梯度爆炸”sigmoid在饱和区梯度趋近0深层次传播后梯度不断相乘所以消失而权重初始值过大时梯度连乘会爆炸。这个知识点几乎是机器学习笔试必考题属于送分题千万别丢。5. 工程与信号处理算法容易被忽视的“冷门热点”5.1 PID控制、卡尔曼滤波与MPPT控制类职位的算法题如果你投的是自动驾驶、机器人、嵌入式算法方向那PID控制和卡尔曼滤波就很关键。“pid算法”和“卡尔曼滤波算法”这两个词在2019年的校招笔试里出现得比其他年份更多因为不少公司开始考察候选人对传感器融合和控制基础的理解。PID的核心是比例、积分、微分三个环节的叠加P项快速响应误差I项消除稳态误差D项抑制超调。笔试常考的是“增大P、I、D参数分别会带来什么影响”——增大P会让响应变快但可能超调增大I能消除静态误差但容易振荡增大D能提高稳定性但会放大噪声。卡尔曼滤波则是一个状态估计算法它把传感器测量和运动模型预测融合起来。笔试主要考五个公式和两个阶段预测阶段状态预测 协方差预测和更新阶段卡尔曼增益 状态更新 协方差更新。如果你只记住结论而写不出公式建议花半天手推一遍一维卡尔曼滤波之后遇到这类题会非常稳。另外“mppt算法”最大功率点追踪在光伏/电源方向笔试中会出现。它本质上是一个极值搜索问题通过扰动观察法或电导增量法不断调整工作点去逼近光伏阵列的最大功率点。控制类笔试考这些不是指望你马上上手项目而是考察你对“闭环反馈”和“状态估计”思想的理解。5.2 图像处理Sobel与Laplacian锐化的计算细节图像处理算法在算法笔试中的比重不大但一旦出现就是“细节分”。关键词“sobel算法”和“图像锐化的拉普拉斯算法”直接指向边缘检测和图像增强两个方向。Sobel算子是一个离散微分算子用来计算图像灰度函数的近似梯度。它有两个3x3卷积核一个检测水平方向变化Gx一个检测垂直方向变化Gy最终梯度幅值通常取sqrt(Gx²Gy²)或近似为|Gx||Gy|。笔试可能给你一个3x3的像素块让你手动算某点的梯度幅值这时只要记住卷积核数值就能解出来。Laplacian算子则是一个二阶微分算子经常用于图像锐化。锐化的基本思想是原始图像减去拉普拉斯算子作用后的图像得到边缘增强的结果。公式是g(x,y)f(x,y)-k*▽²f(x,y)k是锐化强度系数。这类题在笔试里不难但需要你对卷积计算过程非常熟练否则手算时容易错一个像素值导致整个结果不对。注意无论是Sobel还是Laplacian笔试手算时最忌讳的是搞混卷积核方向。建议考前把Gx、Gy和Laplacian的卷积核抄在纸上多默写几遍考试时直接套用。5.3 文本与规则引擎BM25、CKY与Rete算法关键词里“bm25算法”、“规则引擎drools的rete算法实现原理和事实匹配过程”、“腾讯视频ckey5.x算法_php版”这几个看着有点杂但它们都属于内容算法方向。如果你投的是搜索、推荐、广告、内容安全方向这些反而值得关注。BM25是信息检索领域经典的排序函数用于计算文档和查询词之间的相关性。它的核心思想是一个词在文档中出现的次数越多、同时在语料库中越罕见则这个词对相关性贡献越大同时还要考虑文档长度归一化。笔试通常不要求你背全公式但会问“BM25与TF-IDF有什么区别”答案核心是BM25引入了文档长度归一化和饱和非线性效果更稳。CKY算法是自然语言处理里用于句法分析PCFG的经典动态规划算法。它的思路是自底向上填充一个表格每个单元格保存某个跨度能被哪些非终结符推导出来。如果你考的是NLP岗CKY是有可能出现在编程题或简答题里的。实际写的时候关键是定义好表格维度、终结符初始化、非终结符合并时遍历分割点。Rete算法是规则引擎中的一个高效模式匹配算法Drools就是基于它实现的。笔试如果考到通常不会让你写代码而是问你“Rete算法为什么比朴素循环匹配快”——因为它把规则分解成网络结构共享公共子条件在一次遍历中同时匹配多条规则。理解这句话就够应付大部分题目了。6. 笔试实战技巧与避坑经验6.1 时间分配先拿稳分再冲难题2019年很多公司的算法笔试时长是90到120分钟题量从5道到10道不等选择题和编程题混在一起。我的建议是先把所有选择题快速过一遍凡是概念性、不需要复杂计算的题立刻拿分遇到需要手推的题先标记出来做完编程题再回头攻克。编程题部分千万不要死磕一道难题。我当年就栽过第一道编程题是最长上升子序列我自信满满写了状态转移结果因为初始化错了一个值导致样例不过花了20分钟调试导致后面的题没时间写。后来我形成了一套自己的节奏先花3分钟读题如果10分钟内没有可靠思路果断跳到下一题等做完其他题再回来用暴力法保底。其实笔试编程题的判分不完全看是否AC很多公司会看部分用例通过数。所以保证每道题都提交一版能跑通简单样例的代码比“只AC一道但每道都完美”可能得分更高。6.2 常见失分点边界、复杂度与代码规范我在帮人复盘笔试题时发现失分点高度集中在这几个地方。第一是边界条件。比如二分查找的left/right更新、快排的递归出口、链表的空指针判断这些地方出错就是白给。第二是复杂度分析。有些同学写对了算法但不能明确说出时间和空间复杂度这在一道10分的简答题里可能直接扣一半分。第三是代码规范。笔试代码不要求风格完美但变量命名、缩进、注释这些会影响面试官阅读印象尤其在需要你贴代码讲解的环节。关于边界条件我总结了一个口诀“做题先想空集、单元素、两端、重复值。”这四个场景覆盖了大多数边界坑。第二点我在每写完一道算法题后都会顺手在注释里写一行复杂度分析既是给面试官看的也是帮自己理清思路。6.3 给后来者的一句话把知识体系当成一棵树我见过很多准备校招算法岗的人复习方式是一天刷十道题、三天换一个方向结果越刷越慌。我自己后来调整成“先搭骨架再填肉”的方式把数据结构、基础算法、机器学习、工程算法当作四根主干每根主干上列出二级分支比如排序、图论、DP、聚类、强化学习等。这样你刷到一道新题时能立刻把它挂到知识树的某个位置并联想到同类的题目和解法。笔试真正考察的不是你会不会某道题而是你脑海中有没有一张相互关联的知识网络。比如看到“求图的最短路径”你不仅要想到Dijkstra还要能想到它和“优先队列/堆”、“贪心策略”、“动态规划”之间的关系看到“KL散度”也不要只背公式要能想到它和交叉熵、最大似然估计、变分推断之间的联系。有了这张网考场上你会发现自己不再怕“没见过的题”因为再新的题也能归到旧知识上。我个人的最终体会是算法笔试准备没有捷径但绝对有方法。与其用“刷题数量”感动自己不如把每个高频考点的“为什么”真正搞懂。你每弄清楚一个底层原理考场上的把握就多一分。如果这篇文章能帮你少走点弯路那这篇复盘就没白写。