（以下算法出自 算法爱好者 ，由本人精简，拓展学习。版权所有http://www.cnblogs.com/ytlds/）
1、最小栈的实现
实现一个栈，带有出栈（POP），入栈（PUSH），取最小元素（getMin）三个方法，保证方法时间复杂度为O(1)
步骤：①创建2个栈A、B，B用来辅助A
②第一个元素进栈时，元素下标进入栈B，此时这个元素就是最小元素
③当有新元素入栈时，比较该元素与栈A中的最小值，若比其小，将其下标存入栈B
④不管入栈出栈，只需取栈B顶的下标
2、判断2的乘方
实现一个方法，判断正整数是否是2的乘方，要求性能尽可能高（提示：2的乘方数2、4、8、16......，其二进制中只有一位1，（10B、100B、1000B，再将2的乘方数减去1转成二进制，全是（1B、11B、111B...）））
步骤：①将2的乘方数与其减1做与运算
②结果为0，则为2的乘方
public static boolean method(int num){ return (num&(num-1))==0; }
3、找出缺失的整数
一个无序数组里有若干个正整数，范围从1到100，其中99个整数都出现了偶数次，只有一个整数出现了奇数次（比如1,1,2,2,3,3,4,5,5），如何找到这个出现奇数次的整数
步骤：遍历整个数组，依次做异或运算。由于异或在位运算时相同为0，不同为1，因此所有出现偶数次的整数都会相互抵消变成0，只有唯一出现奇数次的整数会被留下。
扩展：一个无序数组里有若干个正整数，范围从1到100，其中98个整数都出现了偶数次，只有两个整数出现了奇数次（比如1,1,2,2,3,4,5,5），如何找到这个出现奇数次的整数
步骤：遍历整个数组，依次做异或运算。由于数组存在两个出现奇数次的整数，所以最终异或的结果，等同于这两个整数的异或结果。这个结果中，至少会有一个二进制位是1（如果都是0，说明两个数相等，和题目不符）。
eg：如果最终异或的结果是5，转换成二进制是00000101。此时我们可以选择任意一个是1的二进制位来分析，比如末位。把两个奇数次出现的整数命名为A和B，如果末位是1，说明A和B转为二进制的末位不同，必定其中一个整数的末位是1，另一个整数的末位是0。根据这个结论，我们可以把原数组按照二进制的末位不同，分成两部分，一部分的末位是1，一部分的末位是0。由于A和B的末位不同，所以A在其中一部分，B在其中一部分，绝不会出现A和B在同一部分，另一部分没有的情况。这样我们的问题又回归到了上一题的情况，按照原先的异或解法，从每一部分中找出唯一的奇数次整数即可。
4、求两个整数的最大公约数
拓展：
辗转相除法（前提：两个正整数a和b（a>b），它们的最大公约数等于a除以b的余数c和b之间的最大公约数。比如10和25，25除以10商2余5，那么10和25的最大公约数，等同于10和5的最大公约数）
public static int getNum(int A, int B){ int result = 1; if(A > B) result = gcd(A,B); else result = gcd(B,A); return result; } private static int gcd(int a, int b){ if(a%b == 0) return b; else return gcd(b, a%b); }
问题：整数过大，a%b取模性能会比较低
更相减损术（前提：两个正整数a和b（a>b），它们的最大公约数等于a-b的差值c和较小数b的最大公约数。比如10和25，25减去10的差是15,那么10和25的最大公约数，等同于10和15的最大公约数）
public static int gcd(int A, int B){ if(A == B) return A; if(A < B) return gcd(B - A, A); else return gcd(A - B, B); }
问题：两个整数过大求差运算次数较多
步骤：结合两种算法，通过移位运算
public static int gcd(int A, int B){ if (A == B) return A; if (A > B) return gcd(B , A); else if ((!A&1) && (!B&1)) return gcd(A>>1, B>>1) << 1; else if ((!A&1) && (B&1)) return gcd(A>>1, B); else if ((A&1) && (!B&1)) return gcd(A, B>>1); else return gcd(A, A-B); }
5、动态规划（核心：最优子结构、边界、状态转移方程式）
有一座高度是10级台阶的楼梯，从下往上走，每跨一步只能向上1级或者2级台阶。要求用程序来求出一共有多少种走法
提示：0~9级走法有X种，0~8级走法有Y种，那么F(10) = F(9) + F(8)，最后依次递归
public int getCon(int n){ if (n < 1) return 0; if (n == 1) return 1; if (n == 2) return 2; return getCon(n-1) + getCon(n-2); }
简单递归的时间复杂度较高，可以使用备用录算法
public int getCon(int n, HashMap<Integer, Integer> map){ if (n < 1) return 0; if (n == 1) return 1; if (n == 2) return 2; if (map.contains(n)){ return map.get(n); }else { int value = getCon(n-1,map) + getCon(n-2,map); map.put(n, value); return value; } }
备用录算法中哈希表中存入多个结果，继续优化（逆转方向）
public int getCon(int n){ if (n < 1) return 0; if (n == 1) return 1; if (n == 2) return 2; int a=1, b=2, temp=0; // 每一个结果都只需要用到前面的两个结果 for (int i=3; i<n; i++){ temp = a + b; a = b; b = temp; } return temp; }
有一个国家发现了5座金矿，每座金矿的黄金储量不同，需要参与挖掘的工人数也不同。参与挖矿工人的总数是10人。每座金矿要么全挖，要么不挖，不能派出一半人挖取一半金矿。要求用程序求解出，要想得到尽可能多的黄金，应该选择挖取哪几座金矿
提示：分析最优子结构（第五个金矿可以不挖可以挖，所以有两个最优子结构。不挖时即4个金矿10个工人，挖时即4个金矿[10-第5金矿工人]），那么5个金矿最优选择也有两个了
把金矿数量设为N，工人设为M，金矿黄金量设为数组G[]，金矿用工量设为P[]，那么存在的最优关系就是F(5,10) = MAX( F(4,10) , F(4,10-P[4])+G[4] )。
边界：若工人数量不够挖一座金矿，则
N=1，W>=P[0]，F(N,W) = G[0];
N=1，W<P[0]，F(N,W) = 0;
得到状态转移方程式
F(n,w) = 0 (n<=1, w<p[0]);
F(n,w) = g[0] (n==1, w>=p[0]);
F(n,w) = F(n-1,w) (n>1, w<p[n-1])
F(n,w) = max(F(n-1,w), F(n-1,w-p[n-1])+g[n-1]) (n>1, w>=p[n-1])
实现方法有简单递归、备忘录算法、动态规划（自底向上递推）
int getMostGold(int n, int w, int[] g, int[] p){ int[] preResult = new int[p.length]; int[] results = new int[p.length]; for (int i=0; i<=n; i++){ if (i < p[0]) preResult[i] = 0; else preResult[i] = g[0]; } for (int i=0; i<n; i++){ for (int j=0; j<=w; j++){ if (j<p[i]){ results[j] = preResult[j]; }else { results[j] = Math.max(preResult[j], preResult[j-p[i]] + g[i]); } } preResult = results; } return results[n]; }
6、跳跃表——基于有序链表的扩展
更快查找到一个有序链表的某节点
步骤：
取出链表的一层关键节点作为索引，然后再取出二层的关键节点作为索引，最后只剩连个关键节点即可。所以要插入的新节点就需要逐步的去和索引比较确定范围，最后插入即可
问题：插入新节点之后，索引会变的不够用。最终采取随机方式"提拔"上索引。
插入的步骤：
-
新节点和各层索引节点逐一比较，确定原链表的插入位置。O（logN）
-
把索引插入到原链表。O（1）
-
利用抛硬币的随机方式，决定新节点是否提升为上一级索引。结果为“正”则提升并继续抛硬币，结果为“负”则停止。O（logN）
删除的步骤：
在索引层找到要删除的节点，那么删除每一层的相同节点
-
自上而下，查找第一次出现节点的索引，并逐层找到每一层对应的节点。O（logN）
-
删除每一层查找到的节点，如果该层只剩下1个节点，删除整个一层（原链表除外）。O（logN）
7、B-树——MySQL数据库索引主要基于B+树和Hash表
首先数据库索引都是存储在磁盘上，当数据量大响应的索引大小也增加
一个m阶的B树有如下几个特征：
1.根结点至少有两个子女。
2.每个中间节点都包含k-1个元素和k个孩子，其中 m/2 <= k <= m
3.每一个叶子节点都包含k-1个元素，其中 m/2 <= k <= m
4.所有的叶子结点都位于同一层。
5.每个节点中的元素从小到大排列，节点当中k-1个元素正好是k个孩子包含的元素的值域分划。
这颗树中，看（2,6）节点。该节点满足所有特征：
具体的B-树的插入和删除本人尚不能用言语表达~~遗憾！！！~~
应用：B-树主要应用于文件系统以及部分数据库索引，比如非关系型数据库MongoDB。而大部分关系型数据库，比如MySQL，则使用B+树作为索引
8、B+树
基于B-树的一种变体，有着比B-树更高的查询性能。
一个m阶的B+树具有如下几个特征：
1.有k个子树的中间节点包含有k个元素（B树中是k-1个元素），每个元素不保存数据，只用来索引，所有数据都保存在叶子节点。
2.所有的叶子结点中包含了全部元素的信息，及指向含这些元素记录的指针，且叶子结点本身依关键字的大小自小而大顺序链接。
3.所有的中间节点元素都同时存在于子节点，在子节点元素中是最大（或最小）元素。
B+树相比B-树的优势有三个：①、单一节点存储更多元素，使查询IO次数更少。②、所有查询都要查找到叶子节点，查询性能稳定。3、所有叶子节点形成有序链表，范围查询简便。
B+树的插入和删除类似B-树。
9、Base64算法
Base64算法只支持64个【可打印字符】。Base64可把原来ASCII码的控制字符甚至ASCII码之外的字符转换成可打印的6bit字符（原来的字节码是8bit），如下图：8bit字符串[Man]编码成Base64的[TWFu]
如果有多余的bit位，补0即可，没有匹配的8bit字符，则使用[=]字符填充，如下图：8bit字符串[M]编码成Base64的[TQ==]
10、 MD5算法
算法过程分为四步：处理原文、设置初始值、循环加工、拼接结果
具体算法过程请自行参考代码......
11、SHA算法
分类：SHA-1算法（已淘汰，可破解）、SHA-2、SHA-3（已问世）
SHA-2算法又分为多个版本：（信息摘要越长，破解难度越大。但同时耗费性能和占用空间也越高）
SHA-256：可以生成长度256bit的信息摘要。
SHA-224：SHA-256的“阉割版”，可以生成长度224bit的信息摘要。
SHA-512：可以生成长度512bit的信息摘要。
SHA-384：SHA-512的“阉割版”，可以生成长度384bit的信息摘要。
12、AES算法
在Java的java.crypto包有很好包装，具体的密钥、填充方式、工作模式暂且不讨论。
public static void main(String[] args) { String content = "test"; String password = "123456"; // 加密 byte[] encry = encrypt(content,password); System.out.println(encry); // 解密 System.out.println(new String(decrypt(encry,password))); } public static byte[] encrypt(String content, String password) { KeyGenerator kgen = null; try { kgen = KeyGenerator.getInstance("AES"); kgen.init(128, new SecureRandom(password.getBytes())); SecretKey secretKey = kgen.generateKey(); byte[] enCodeFormat = secretKey.getEncoded(); SecretKeySpec key = new SecretKeySpec(enCodeFormat, "AES"); Cipher cipher = Cipher.getInstance("AES");// 创建密码器 cipher.init(Cipher.ENCRYPT_MODE, key);// 初始化 byte[] byteContent = content.getBytes("utf-8"); byte[] result = cipher.doFinal(byteContent); return result;//加密 } catch (NoSuchAlgorithmException | InvalidKeyException | NoSuchPaddingException | BadPaddingException | UnsupportedEncodingException | IllegalBlockSizeException e) { e.printStackTrace(); } return null; } /** * 解密 * * @param content 待解密内容 * @param password 解密密钥 * @return */ public static byte[] decrypt(byte[] content, String password) { KeyGenerator kgen = null; try { kgen = KeyGenerator.getInstance("AES"); kgen.init(128, new SecureRandom(password.getBytes())); SecretKey secretKey = kgen.generateKey(); byte[] enCodeFormat = secretKey.getEncoded(); SecretKeySpec key = new SecretKeySpec(enCodeFormat, "AES"); Cipher cipher = Cipher.getInstance("AES");// 创建密码器 cipher.init(Cipher.DECRYPT_MODE, key);// 初始化 byte[] result = cipher.doFinal(content); return result; // 解密 } catch (NoSuchAlgorithmException | BadPaddingException | IllegalBlockSizeException | NoSuchPaddingException | InvalidKeyException e) { e.printStackTrace(); } return null; }
13、红黑树——是一种自平衡的二叉树
二叉树的特征：
1.左子树上所有结点的值均小于或等于它的根结点的值。
2.右子树上所有结点的值均大于或等于它的根结点的值。
3.左、右子树也分别为二叉排序树
红黑树除了符合二叉树的基本特征外，还符合下列特性：
1.节点是红色或黑色。
2.根节点是黑色。
3.每个叶子节点都是黑色的空节点（NIL节点）。
4 每个红色节点的两个子节点都是黑色。(从每个叶子到根的所有路径上不能有两个连续的红色节点)
5.从任一节点到其每个叶子的所有路径都包含相同数目的黑色节点。
红黑树从根到叶子的最长路径不会超过最短路径的2倍。当插入或删除节点时破坏规则，需要调整。其中经过具体的旋转（左右旋转）、变色使红黑树重新符合规则。
应用：JDK的集合类TreeMap和TreeSet底层就是红黑树实现。在Java8中，连HashMap也用到红黑树。
14、HashMap
HashMap是一个用于存储Key-Value键值对的集合，每个键值对也叫Entry。这些Entry分散存储在一个数组中，这个数组就是HashMap的主干。
HashMap数组每个元素初始值都是NULL，我们最常用的方法是Get和Put
Put的原理：
HashMap数组的每个元素不止是一个Entry对象，也是一个链表的头节点。每个Entry对象通过Next指针指向它的下个Entry节点。当新插入的Entry映射到冲突的数组位置时，只需插入对应链表（头插法，不插入尾部）。
Get的原理：
首先使用输入的key做一次Hash映射，得到对应index。此时就会找到对应的Entry链表，再在链表中依次找到key值。
问题：HashMap默认的初始长度是多少？
答：初始长度为16，每次自动扩展或是手动初始化时，长度必须是2的幂
选择16的原因是服务于从key映射到index的Hash算法（因为从Key映射到HashMap数组的位置，会用到一个Hash函数：index = Hash("apple")）。为了实现一个尽量均匀分布的Hash函数，我们通过利用Key的HashCode值来做位运算。
获得如下Hash函数(Length是HashMap长度)：index = HashCode（Key） & （Length - 1）;
15、高并发的HashMap
问题：高并发情况下，为什么HashMap可能出现死锁？Java8中，HashMap的结构有怎样的优化？
ReHash：是HashMap在扩容时候的一个步骤。当经过多个元素插入，Key映射位置发生冲突几率会逐渐提高。此时HashMap扩展长度，进行Resize。
Resize的条件是：HashMap.Size >= Capacity * LoadFactor
1.Capacity：HashMap的当前长度。上一期曾经说过，HashMap的长度是2的幂。
2.LoadFactor：HashMap负载因子，默认值为0.75f。
Resize步骤：
1.扩容：创建一个新的Entry空数组，长度是原数组的2倍。
2.ReHash：遍历原Entry数组，把所有的Entry重新Hash到新数组。为什么要重新Hash呢？因为长度扩大以后，Hash的规则也随之改变。
答：以上操作在单线程执行并无问题，在多线程环境，会形成死循环。（具体形成原因请查看原漫画！！！）
通常高并发情况下，通常采用另一个集合类ConcurrentHashMap。这个集合类兼顾了线程安全和性能。
16、ConcurrentHashMap
ConcurrentHashMap的结构：
Segment本身相当于一个HashMap对象，ConcurrentHashMap集合中有2的N次方个，共同保存在一个名为segment的数组中。可以说，ConcurrentHashMap是一个二级哈希表。在一个总的哈希表下面，有若干个子哈希表。
优势：采用了【锁分段技术】，每个Segment就好比一个自治区，读写操作高度自治，互不影响。
以下是几种并发读写的情形：
case1：不同Segment的并发写入（不同Segment的写入是可并发执行的）
case2：同一Segment的一写一读（是可以并发执行的）
case3：同一Segment的并发写入（Segment写入需要上锁，对同一Segment的并发写入会被阻塞）
ConcurrentHashMap当中每个Segment各自有锁。在保证线程安全的同时降低了锁的粒度，让并发操作效率更高。
Get方法：
1.为输入的Key做Hash运算，得到hash值。
2.通过hash值，定位到对应的Segment对象
3.再次通过hash值，定位到Segment当中数组的具体位置。
Put方法：
1.为输入的Key做Hash运算，得到hash值。
2.通过hash值，定位到对应的Segment对象
3.获取可重入锁
4.再次通过hash值，定位到Segment当中数组的具体位置。
5.插入或覆盖HashEntry对象。
6.释放锁。
在统计ConcurrentHashMap的Size()时，怎么保证一致性？
1.遍历所有的Segment。
2.把Segment的元素数量累加起来。
3.把Segment的修改次数累加起来。
4.判断所有Segment的总修改次数是否大于上一次的总修改次数。如果大于，说明统计过程中有修改，重新统计，尝试次数+1；如果不是。说明没有修改，统计结束。
5.如果尝试次数超过阈值，则对每一个Segment加锁，再重新统计。
6.再次判断所有Segment的总修改次数是否大于上一次的总修改次数。由于已经加锁，次数一定和上次相等。
7.释放锁，统计结束。
17、单例模式
（由于本人以前接触过单例模式，博客中也有描述，就不过多介绍）
下面代码是懒汉式代码，基本是线程安全（【反射】的方式仍可以构建多个实例对象）：
public class Singleton { private Singleton() {} //私有构造函数 private volatile static Singleton instance = null; //单例对象 //静态工厂方法 public static Singleton getInstance() { if (instance == null) { //双重检测机制 synchronized (this){ //同步锁 if (instance == null) { //双重检测机制 instance = new Singleton(); } } } return instance; } }
其中关于volatile关键字阻止了变量访问前后的指令重排，保证指令执行顺序。也可以保证线程访问的变量值是主内存中的最新值。
利用反射打破单例模式约束：
//获得构造器 Constructor con = Singleton.class.getDeclaredConstructor(); //设置为可访问 con.setAccessible(true); //构造两个不同的对象 Singleton singleton1 = (Singleton)con.newInstance(); Singleton singleton2 = (Singleton)con.newInstance(); //验证是否是不同对象 System.out.println(singleton1.equals(singleton2));
防止反射构建对象，只需要用枚举实现单例模式即可，因为JVM会阻止反射获取枚举类的私有构造方法。
enum Singleton{ INSTANCE; } public class SingletonTest { public static void main(String[] args) { Singleton s=Singleton.INSTANCE; Singleton s2=Singleton.INSTANCE; System.out.println(s==s2); } }
enum Singleton2{ INSTANCE{ @Override protected void read() { System.out.println("read"); } @Override protected void write() { System.out.println("write"); } }; protected abstract void read(); protected abstract void write(); } public class SingletonTest2 { public static void main(String[] args) { Singleton2 s=Singleton2.INSTANCE; s.read(); } }
以上是两种枚举实现单例模式的方式（仅做参考）。但是对于原来的单例方式，想要序列化，但是又想反序列化，则必须实现readResolve方法
class SingletonB implements Serializable { private static SingletonB instence = new SingletonB(); private SingletonB() { } public static SingletonB getInstance() { return instence; } // 不添加该方法则会出现 反序列化时出现多个实例的问题 public Object readResolve() { return instence; } }
18、排序算法
①、桶排序（浪费空间，小数不好排序）
考试分数：5分、2分、7分、5分、3分、8分（总分10分），排序？
答：新建一个长度为11的数组（长度就是0~10分），考试的分数如果为5分，则在a[5]上加1，当所有考试分数都循环完后，数组的值为0、0、1、1、0、2、0、1、1、0、0，可以看出数组的值即为分数出现的个数，然后for循环输出 a[i]次 数组的下标就是排序后的分数。
②、冒泡排序
将【12、35、99、18、76】从大到小排序
答：比较【12】和【35】大小，大的往前，所以交换它们，新结构为【35、12、99、18、76】，继续比较第二、三位【12】和【99】，最终当比较4次之后，最小【12】到最后一位。重新开始从第一、二位比较【35】和【99】，最后循环结束。一般需要循环a[n].length - 1次即可成功。
③、快速排序
对“6 1 2 7 9 3 4 5 10 8”排序
答：以“6”为基准，设置两个变量 i 、 j ，分别指向首尾元素。让 j 先往左移， i 往右移，当 j 指向比基准小的数时stop，当 i 指向比基准大的数时stop，然后交换这两个值，但是 i 、 j 不动，继续按原方向移动，满足条件就交换。当 i 、 j 指向同一个数时stop，此时交换基准“6”和这个数，第一次排序就好了（左边比“6”小，右边比“6”大）。同样的，将“6”的左右两边按刚刚的方法再排序，一直递归下去，就会得到从小到大排序的一组数字了。
public static int Partition(int[] a,int p,int r){ int x=a[r-1]; int i=p-1; int temp; for(int j=p;j<=r-1;j++){ if(a[j-1]<=x){ // 交换(a[j-1],a[i-1]); i++; temp=a[j-1]; a[j-1]=a[i-1]; a[i-1]=temp; } } //交换(a[r-1,a[i+1-1]); temp=a[r-1]; a[r-1]=a[i+1-1]; a[i+1-1]=temp; return i+1; } public static void QuickSort(int[] a,int p,int r){ if(p<r){ int q=Partition(a,p,r); QuickSort(a,p,q-1); QuickSort(a,q+1,r); } } //main方法中将数组传入排序方法中处理,之后打印新的数组 public static void main(String[] stra){ int[] a={7,10,3,5,4,6,2,8,1,9}; QuickSort(a,1,10); for (int i=0;i<a.length;i++) System.out.println(a[i]); }