不管是为了求职面试，还是为了提高自己的算法基础能力，“刷算法题”都是每个程序员的必经之路。如何对待刷题？如何让刷题变得更高效？我们搜集了来自《算法面试通关 40 讲》的用户分享，他们也许可以给你一点启发。

@jason ：最优解永远在探索中

刚看老师的课程没多久, 收获不多, 我就把自己的第一道练习题解题心得发出来吧。这个是老师讲的第一道 leetcode 算法题：两数之和

题目:

给定一个整数数组 nums 和一个目标值 target，请你在该数组中找出和为目标值的那两个整数，并返回他们的数组下标。你可以假设每种输入只会对应一个答案。但是，你不能重复利用这个数组中同样的元素。

示例:

给定 nums = [2, 7, 11, 15], target = 9

因为 nums[0] + nums[1] = 2 + 7 = 9所以返回 [0, 1]

解答如下:

完成这道题，第一次花了半个小时，时间还是蛮长的，毕竟是自己完成的第一道 leetcode 算法题。不过之前确实算法练习得很少，解法很简单，用的是穷举法，连续两次遍历，时间复杂度为 O(n²)。

int[] twoSum(int[] nums, int target) {
    if (nums.length < 2) {
        return new int[0];
    }
    for (int i = 0; i < nums.length; i++) {
        for (int j = i + 1; j < nums.length; j++) {
            if (nums[i] + nums[j] == target) {
                return new int[]{i, j};
            }
        }
    }
    return new int[0];
}

后来看了一下评论里其他同僚的解法，发现有很多很优化的解法。于是我把代码优化了一下，变成了下面这样：

int[] twoSum2(int[] nums, int target) {

Map<Integer, Integer> map = new HashMap<Integer, Integer>(SIZE); // 默认给 hashmap 初始化大小, 能够减少内部动态扩展空间, 复制速度造成的时间开销

// 将数组存入 hashmap

for (int i = 0; i < nums.length; i++) {

// 值为 key, 索引为 value

map.put(nums[i], i);

}

// 遍历数组里的每一个元素

for (int i = 0; i < nums.length; i++) {

// 计算需要从 hashmap 里面找出的元素

int complement = target - nums[i];

// 判断 hashmap 里面是否存在该元素, 并且该元素不能与当前 nums[i] 是同一个元素

if (map.containsKey(complement) && map.get(complement) != i) {

return new int[]{i, map.get(complement)};

}

}

return new int[0];

}

将传入的数组转换成 hashmap，利用 hashmap 查询速度快的优势 O(1)，将整体查询时间降到 O(n)，hashmap 通过以空间换取速度的方式，将查询速度提高到了 O(n)，这里用到了分别两次的循环，虽然时间复杂度变成了 O(n)，但实际上是两倍的 O(n)。

之后又思考了一下，发现一次循环也能解决问题，时间复杂度可以再次减半，变成真正的 O(n)，于是便有了下面的代码。

int[] twoSum3(int[] nums, int target) {
        Map<Integer, Integer> map = new HashMap<Integer, Integer>(SIZE); // 默认给 hashmap 初始化大小, 能够减少内部动态扩展空间, 复制速度造成的时间开销
        for (int i = 0; i < nums.length; i++) {
            int complement = target - nums[i];
            if (map.containsKey(complement) && map.get(complement) != i) {
                return new int[]{i, map.get(complement)};
            }
            map.put(nums[i], i);
        }
        return new int[0];
    }

之后我写了一个简单的测试案例来测试这 3 种算法的耗时，创建了一个长度为 10 万的数组，分别执行这 3 种算法，发现当数据量大的时候，第 2 种和第 3 种算法比第 1 种快了不是一个数量级。而且数据量越大，速度差异越明显：

int[] nums = new int[100 * 1000];

        for (int i = 0; i < nums.length; i++) {
            if (i == nums.length - 1 - 1)
                nums[i] = 2;
            else if (i == nums.length - 1)
                nums[i] = 7;
            else
                nums[i] = 1;
        }

        long start = System.currentTimeMillis();
        //int[] indexResult = twoSum(nums, 9); // 数组长度 100000 耗时 1578 ms
        //int[] indexResult = twoSum2(nums, 9); // 数组长度 100000 耗时 20 ms
        int[] indexResult = twoSum3(nums, 9);// 数组长度 100000 耗时 14 ms

        long end = System.currentTimeMillis();
        System.out.printf("%s, %s", nums[indexResult[0]], nums[indexResult[1]]);

        System.out.printf("\r\n 时间花费: %d ms", end - start);

查看经典面试题：两数之和

@ elbowrocket：用理论指导实践

之前做 leetcode 的题目一直没什么思路，我从课程中学到了如何运用所学理论去思考。

下面是今天刚看的题目：滑动窗口的最大值

给定一个数组 nums，有一个大小为 k 的滑动窗口从数组的最左侧移动到数组的最右侧。你只可以看到在滑动窗口 k 内的数字。滑动窗口每次只向右移动一位。返回滑动窗口最大值。

示例:

输入: nums = [1,3,-1,-3,5,3,6,7], 和 k = 3输出: [3,3,5,5,6,7]

解释:

滑动窗口的位置最大值[1 3 -1] -3 5 3 6 7 31 [3 -1 -3] 5 3 6 7 31 3 [-1 -3 5] 3 6 7 51 3 -1 [-3 5 3] 6 7 51 3 -1 -3 [5 3 6] 7 61 3 -1 -3 5 [3 6 7] 7

注意：你可以假设 k 总是有效的，1 ≤ k ≤ 输入数组的大小，且输入数组不为空。进阶：你能在线性时间复杂度内解决此题吗？

下面是通过学习后得到的思路：

思路：

1、根据优先队列的概念，我们假设一个大顶堆，那么一开始的 [1,3,-1]，这样一排列成堆的样子就是 3 在最上面，-1 在左下角，1 在右下角… 下一步就是 [3，-1，-3] 了，1 就要被挤开了，挤开了也不影响什么，-3 再加进来就好了。总之我们需要做的是：

(1)、维护我们的 Heap，也就是删除离开窗口的元素，加入新的元素。这里时间复杂度是 logK

(2)、Max->Top，就是让结果是堆顶的元素。复杂度是 O(1)，最后整体的复杂度是 NLogK。有没有更好的解法？

2、直接用队列，而且是双端队列，也就是两边都能进能出的队列。首先就是入队列，每次滑动窗口都把最大值左边小的数给杀死，也就是出队，后面再滑动窗口进行维护，这样相当于每一个数走过场，时间复杂度就是 O（N*1），比思路 1 要小。

代码如下：

class Solution:
    def maxSlidingWindow(self, nums, k):
        """
        :type nums: List[int]
        :type k: int
        :rtype: List[int]
        """
        # 严谨判断输入的数字是否合法
        if not nums:return []
        window, res = [], []
        for i, x in enumerate(nums):
            if i>=k and window[0] <= i-k: # 窗口滑动时的规律
                window.pop(0)
            while window and nums[window[-1]] <= x: # 把最大值左边的数小的就清除。
                window.pop()
            window.append(i)
            if i >= k-1:
                res.append(nums[window[0]])
        return res

希望能学习到更多东西。

查看白板理论讲解：滑动窗口的最大值

@梦想家罗西：学而时习之，不亦乐乎？

看老师的课程大概一周了，之前看数据结构和算法懵懵懂懂的，老师结合实例题，一下子清楚很多了，特别是动态规划哪一课，一下子茅塞顿开。

刷的一些算法题。

第一步：递归 + 暂存

function fib(n) {
    let memo = [];
    let r = null;
    if (n <= 1) {
      r = n;
    } else if (memo[n]) {
      r = memo[n];
    } else {
      memo[n] = fib(n - 1) + fib(n - 2);
    }
    return r;
  }

使用这种方法试了下 n=100 的时候直接挂了，效率依然很低。所以接下来第二步：

第二步：动态规划

function fib(n) {
    let f = [0, 1];
    for (let i = 2; i <= n; i++) {
      f[i] = f[i - 2] + f[i - 1];
    }
    return f;
  }

其实矩阵相乘效率更高，等我学会了再来更新代码，学会了简单得动态规划已经很开心了。

戳此查看：让你茅塞顿开的动态规划

@Chenng：做题是一种享受，高效的思考模式受益终身

听完最后一课，突然有点不舍。本来学习算法的初衷是为了面试，现在发现做题本身就是一种享受。

课上学到很多收益终身的思考模式：

五种算法模式：

递归

function recursion(level, param1, param2) {
  // 递归终止条件
  if (level > MAX_LEVEL) {
    // 打印结果
    return;
  }

  // 处理当前层级的逻辑
  processData(level, data);

  // 递归
  recursion(level + 1, p1, p2);

  // 如果需要，反向当前层级
  reverseState(level);
}

递归 DFS

const visited = new Set();
function dfs(node, visited) {
  visited.add(node);

  // 处理当前的 node

  for (let i = 0; i < node.children.length; i++) {
    const child = node.children[i];
    if (!visited.has(child)) {
      dfs(child, visited);
    }
  }
}

BFS

const visited = new Set();
function bfs(grapg, start, end) {
  const queue = [];
  queue.push(start);
  visited.add(start);

  while (queue.length) {
    node = queue.pop();
    visited.add(node);

    process(node);
    nodes = generateRelatedNodes(node);
    queue.push(nodes);
  }
}

二分查找

function binarySearch(arr, x) {
  let left  = 0;
  let right = arr.length - 1;

  while(left <= right) {
    const mid = Math.floor((left + right) / 2);

    if (x === arr[mid]) {
      return mid;
    }

    if (x < arr[mid]) {
      right = mid - 1;
      continue;
    }

    if (x > arr[mid]) {
      left = mid + 1;
      continue;
    }
  }

  return -1;
}

DP 方程

// 状态定义
const dp = [[]];

// 初始状态
dp[0][0] = x;
dp[0][1] = y;

// DP 状态推导

for (let i = 0; i <= n; i++) {
  for (let j = 0; j <= matchMedia; j++) {
    dp[i][j] = min(dp[i - 1][j], dp[i][j - 1]);
  }
}

return dp[m][n]

四个切题步骤

Clarification：思考边界条件
Possible Solution：所有可能的解法、最优解
Coding
Test Cases

写在最后

课程的结束不是终点，而是起点，加油，开启自己成为真正工程师的道路。

查看课程回顾：面试切题四件套

感谢上面四位同学的精彩留言，欢迎大家在文末分享你的刷题故事和经验，我们一起进步。

专栏简介

我是覃超，作为 Facebook 早期员工 & 多年面试官，我对各大知名企业算法面试的考察点和面试套路，有非常清晰的理解以及丰富的第一手经验。在《算法面试通关 40 讲》这门课程里，我会帮你建立一套完整的算法切题思路，通过“白板演练 + 代码讲解”的方式，手把手带你掌握高效解题套路，彻底理解题目背后的考点，锻炼算法思维，让你在面试和平时的工作中大显身手。

学完这门课，你将收获以下四个方面：

1、常见算法知识点理论讲解

2、高频面试题目思路剖析

3、LeetCode 高效解题四步法

4、有效提升算法面试通过率

课程已更新完毕，共 62 讲，目前已有超过10000人加入学习，课程广受好评，期待你的加入！戳我立即订阅。

创作场景

用户故事 | 刷算法面试题的 4 种思考方式