这阵子看了两本算法书，《算法》和《算法导论》。
前一本读着很轻松，内容基本与大学数据结构课程重叠，示例代码用java编写，学习曲线平缓，对应用程序员来说，读它就挺好。
后一本我是边看麻省理工的《算法导论》公开课边读的，力不从心，因为我数学基础不好（详下），如果不看数学证明，其内容跟前一本就差不多了，数学基础比较好、对算法感兴趣的朋友，可以尝试之。
强烈建议各公开课平台的学习资源，质量非常高，相见恨晚！足不出户，就能学习名校的课程。但学习时别忘了跟着做习题、做笔记、预习复习。
下面是我的《算法》笔记。
零、思想
重中之重。算法真正的精髓。内功心法所在。相比之下，后面讲到的都是具体招式。
内功心法的意义就在，有朝一日你遇到一个没有既有经验的问题，能自己设计出适当的数据结构和算法，而不是只会用别人的轮子。
算法的根本思想，是大问题化为多个小问题，逐渐解决之。（《孙子兵法》：治众如治寡，分数是也；斗众如斗寡，形名是也。）
1.分治
如果能将大问题拆为同性质的小问题，当小到一定程度，能直接解决之。
则采用分治法，递归解决。
2.贪心
如果为小问题找到的最优解，能通过增加一点步骤，解决一个大一点的问题，并依然是最优解。
则采用贪心法，从0开始，逐步蚕食掉大问题。
3.动态规划
如果用分治法拆出的小问题中常见到相同问题，重复计算它们，成本太高。
则采用备忘法，计算完每个小问题的结果后，记录之，下次见到同一小问题，不再重复计算。
一、数学基础
《算法导论》在附录中给出了4项必备的数学基础。
我看了之后，很羡慕考研的同学，他们这几门课都很扎实。
这4门数学除了是考研数学科目、算法的基础外，其实更是观察世界、指导生活（不仅仅是生产！）的工具，我决定要以看公开课的方式，逐步重新学之。
1.微积分
2.离散数学
3.概率论
4.线性代数
二、线性表
1.按实现分类
顺序表：随机访问方便，插入删除成本高，因为一侧的元素要「哒哒哒」依次移动一格。
链表：随机访问麻烦，因为要从头「一二三」数过去，插入删除方便，将特定两三个节点的指针「咔吧」重新接一下就好了。
2.按作用分类
栈：后进先出，直观理解就是坐电梯。用处主要在处理大问题时，细化为小问题，小问题解决完再继续处理大问题的时候。计算机的函数调用的核心数据结构。如果不幸小问题没完没了，如无限递归，则stackoverflow。
队列：先进先出，讲「先来后到」的数据结构。典型使用就是「任务队列」，先到的先处理。如果允许「插队」，就是「优先级队列」了，让领导先走！
三、排序
假设有一个初始队列4132，目标是从小到大排序成1234。
1.冒泡排序
最简单也最慢的算法，慢到不少书都不讲了。
思想是让最后一个元素尽力向上爬，遇见比它大的就压过之(交换次序)，如果遇到比它小的就停下，由小的继续往上爬。爬到第一个元素时，就保证了第一个元素是全部元素中最小的一个。
不再考虑第一个元素，重复这一过程。4132，1/423，12/43，123/4。
2.选择排序
每次都从队列中选出一个最小的元素，放到「已排序队列」里，直到选完。
/4132，1/432，12/43，12/34。
3.插入排序
每次都从「未排序队列」中选第一个元素，插到「已排序队列」的适当位置，直到插完。
我玩扑克时理牌就用这法。
4/132，14/32，134/2，1234
4.希尔排序
先把「相距较大间距」的元素们排序一遍，再适度减小间距再排一遍，最后一次相距零间距排。
4132，先间隔较大间距（这个简陋例子，姑且间隔1），4与3排序，1与2排序，得3142，再间隔较小间距（本例中直接到0了）排序。
5.快速排序
最被喜欢的排序，既容易理解，又快。
选一个数字为轴，比它小的放左边，比它大的放右边，然后对其两边各进行这一变化即可。
4132，第一步选4，第二步选1，都是把全部剩余元素放到同侧，不划算，所以随机选择轴元素很关键。
假设第一步选了3，12放左侧，4放右侧，右侧完结，左侧继续，假设选2为轴，1放左侧，右侧没有，即得结果1234。
6.归并排序
所谓归并，比如一班和二班已经各排成了从矮到高的有序队列，想归并成一队，怎么办？比较一班和二班的排头，更矮的选出来站到「结果队列」里，该班的新排头再跟对方排头比，以此类推。
归并成一个新队列后，再跟别的队列归并，直到统统归并为一队。
14/23 -> 1|4/23 -> 12|4/3 -> 123|4 -> 1234
7.堆排序
所谓堆，就是一棵每个父节点数值都大于其一切子孙节点数值的完全二叉树，如果看不懂，先跳到下面看树那节。
为方便说（放图太麻烦了，我相信纯文字能说清），这次咱们从大到小排序，道理当然是一样的。
分两步，一是从无序队列构造树，二是从树输出有效队列，结合起来，就是从无序队列，得到了有序队列。
第一步，拿一个新节点，放到原树的最后一个位置，然后使之尽力向上冒泡，直到冒不动为止，再拿下一个新节点。如处理4132：
4 -> 4左下1 -> 4左下1右下3 -> 4左下1右下3，1左下2 -(2冒泡)-> 4左下2右下3，2左下1
第二步，取出根节点放到结果队列，把最后一个节点僭越到根位置，然后考察其两个叶子节点，如果有更有实力的，则向最有实力的退位让贤，交换位置，到新岗位后继续考察下属能力，直到降到自己胜任的位置。
4左下2右下3，2左下1 -(取出4，1上位)-> 1左下2右下3 -(3篡位)-> 3左下2右下1 -(取出3，1上位)-> 1左下2 -(2篡位)-> 2左下1 -(取出2)-> 1孤家寡人 -(取出1)-> 结果4321
四、树
若干节点，及若干连接节点的无向边，构成的图，如果从每个节点出发，都能到达任意一个节点（强连通），同时图中不存在环，即称为树。
数据结构中说的树，在此基础上再严格点，分为若干层。如某团长手下有若干连长，每个连长手下有若干班长，画组织结构图，把直接领导和直接下属连接起来。直接领导称为父节点，如团长是连长的父节点，连长是其属下每个班长的父节点；直接下属称为子节点；最高长官称为根节点，即没有父节点的节点；没有子节点的节点称为叶子节点，比如《士兵突击》里钢七连只剩老七(连长)和三多(班长)的时候，三多是叶子节点，如果这时三多被老A挖走（实际剧情是老七先走，不赘），则老七堂堂连长，将不幸成为叶子节点。
1.二叉树
如果树的每个父节点最多只有两个子节点，该树即称为二叉树。
最典型用途是二叉查找，即如果每个根节点数值都比其左子树（此概念望文生义，不赘）任意节点数值更大，比其右子树的任意节点数值更小，该树即称为二叉排序树。在想寻找某个数值时，可以先将该数值与根节点比，如果比根节点大，则去与其右子树根节点比，如果比根节点小，则去与其左子树根节点比，直到找到或比到叶子节点为止。
好像「猜数字」游戏，一本好书价值1元到256元之内，假设你蠢到看不出那书不可能1元，又聪明到知道采用二叉查找，则该先猜128元，根据主持人说「高了」「低了」再决定猜64还是192元，假如64还是「高了」，则该继续猜32，以此类推。
2.红黑树
强烈推荐看《算法》中红黑树的章节，从2-3树开始讲，讲到红黑树，学习曲线非常平滑。
二叉树和红黑树都有着清晰的用于保持树平衡的逻辑，限于篇幅不多讲。平衡的目的是保持最差情况下的查找程度为logN(以2为底，总节点数的对数)。
3.散列表
这个不是树……但在逻辑上放在这里最好，因为都是用于「查找」的数据结构。
编程中最基本的两种数据结构，list和map，list就是上文说的线性表，核心是有顺序，map就是这里说的散列表(hashmap)或树(treemap)，核心是键值对。set呢，多以map做底层结构。
树上面说了，这里说散列表。
散列表又叫字典，从这字面可知，主要用途是查找，通过键(key)查找值(value)，首先，要把键算成一个数字，这算法(散列函数)就是java里类们都要实现的hashcode方法。
然后，有两种可选的实现方式，一是链接法，首先有个主list装着键们，比如123，然后1对应一个list，2对应一个list，3对应一个list，我把键算出是1之后，就到1对应的list元素里去找元素。显然，1对应的list长度越短，查找时间越短，那似乎主list的键们越多越好，比如1到30，那每个子list的长度将变为原长度的十分之一，但主list的键们也不能太多，比如1到30000，那大部分键对应的其实是空，里面一个元素都没有，就浪费空间了，所以要权衡。
另一种实现方式是散列法，不存在次list，把键算成数字后，直接往主list对应的位置存，如果该位置已经被别的元素占了(碰撞)怎么办？则用某种算法，算出一个新数，再尝试往新位置放(再散列)，以此类推。显然，这种方法，主list的长度也很关键，如果太短，则碰撞太多，插入、查找都麻烦，如果太长，又浪费地方。
对两种方法，散列函数都非常重要，如果所有元素的散列函数都计算出同一个值，散列表就毫无意义了。
五、图
终于到图了！这是我最喜欢的部分，好玩，而且熟悉，因为我认识一个同学，数据结构年年挂，直到大四，所以我每年都陪他复习备考一次，老师考卷中的高分的题目，就是考图的几个算法，迪杰斯特拉，普里姆，克鲁斯卡尔……好怀念那段日子。
什么是图？一堆节点，及若干边，就构成了图，根据线路是否有方向性，分为有向图、无向图，根据图中是否有环，分为有环图、无环图。
如果任意两个节点都有线路连接，则称为强连通图，这里主要聊的都是这种。
1.深度优先、广度优先遍历
A连B，B连C，B连D，C连E
想把图里所有节点都研究一遍，怎么办？
从一个节点开始，走向下一个节点，然后再走向下一个节点的下一个节点，直到「眼前无路想回头」，就是「深度优先遍历」。在例子里，从A到B，从B到C，从C到E，E回头到C，C回头到B，从B到D，完成遍历。
「广度优先遍历」则是，从一个节点开始，先扇面状把能到的节点都扫一遍(广嘛)，然后再「移步」到子节点们。在例子里，从A到B，从B到C，从B到D，从C到E，完成遍历。
2.最小生成树
如果树的每条边都有个权值，要求选出总权值最小的一些边，让所有节点都能互相连通，怎么办？
这就是「最小生成树」问题，显然，选出的结果肯定是一棵树，树的两个条件，连通和无环，连通不必讲，为什么无环？如果有环，去掉任意一条边，节点们依然相互连通，权值变小了，由此反证，必然无环。
解此问题，两种方法，一是普里姆算法，二是克鲁斯卡尔算法，好专业，终于有点算法的感觉了。
其实都很简单，先说普里姆，将图划为「已解决」和「未解决」两个部分，一开始「已解决」为空，「未解决」是全集，首先，任选一个点放到「已解决」，然后考察所有从「已解决」连向「未解决」的边，哪条最短，就把该边连向的「未解决」节点纳入「已解决」集合，如此反复，直到全部节点都「已解决」，结果就是最小生成树。
再说克鲁斯卡尔，一开始，把每个节点视为一个「分量」，寻找全部「连接两个不同分量的边」中最短的一条，将其连接的两个分量合并为一个分量，并重复这一行为，直到全部节点都属于同一分量，结果就是最小生成树。
3.单源最短路径
最小生成树研究的是无向图，最短路径则研究有向图。
顾名思义，最短路径是要求给出从某地到另外某地的最便捷走法，这有两个算法，一是迪杰斯特拉算法，二是贝尔曼福特算法。
先说迪杰斯特拉，这是类似普里姆的「贪婪算法」，从一个极小的「已解决」开始，逐步蚕食，直到将「未解决」吃掉。差别在这回每个节点上都有个数字，代表其到起点的距离，每次都选全部「从已解决到未解决的边」指向的「未解决」节点中，数字最小的一个。比如起点是家，家距离学校500米，家距离市场600米，学校距离公园200米，根据算法，把学校标注500，市场标注600，500小于600，把学校纳入「已解决」，学校进入「已解决」之后，公园也变成了从「已解决」可以到达的「未解决」的节点，用学校的500加200，公园标注为700，与市场的600米相比，600较小，把市场纳入「已解决」。注意，这个步骤，如果是普里姆算法，纳入的是公园而非市场，因为普里姆不存在起点，都连上就ok，只考虑哪条边最短，但迪杰斯特拉有起点，要比较的是「从起点出发直到这里的距离」。
再说贝尔曼福特，这算法是把每个节点赋予一个表示「距离起点有多远」的数值，除了起点外，其他起点一开始都是无穷大，然后依次考察每条边，如果这条边能让指向的节点的数值变小，就将该节点数值变小(收缩)，把所有边都考察一遍之后，如果这一遍中执行了「收缩操作」，则再把所有边都考察一遍，直到某一遍完全没收缩为止。上面的例子，比如考察次序是200-500-600，则第一遍200啥用没有，500将学校的+∞变为500，600将市场的+∞变为600，这遍进行了收缩，再来一遍，这回200有用了，将公园的+∞变为700，500和600都没有，这遍也收缩了，再来一遍，200/500/600都没用，完结。
六、字符串
字符串本质是字符数组。说到算法，最常说的就是字符串查找的KMP算法。
比如想从「子龙子龙世无双」里寻找「子龙子翼」，「子」等于「子」，「龙」等于「龙」，「子」等于「子」，「龙」不等于「翼」，糟糕！这时源文本的「已搜索序列」的「后缀们」有「子龙子龙」「龙子龙」「子龙」「龙」四个，而目标文本的「前缀们」有「子龙子翼」「子龙子」「子龙」「子」四个，考察两个「们」，发现有个相同元素，即「子龙」，长度为2（如果有多个相同元素，则取最长的），意味着源文本的「已搜索序列」中最后两个字与目标文本的前两个字相同，下次用源文本的下一个字「世」与目标文本的第三个字「子」相比即可。如果是朴素算法，则要用「子龙子龙世无双」的第一个「龙」字与「子龙子翼」的第一个「子」字相比，KMP算法比朴素算法快多了！
七、写在后面
算法的水太深，我仅仅入了个门，回头看看，上面所写，全是大学《数据结构》的内容，长叹一声。
也有更深入学习的意愿，但在这之前要巩固数学基础，我在看网易公开课上的《线性代数》和《微积分》的公开课。
好在，这些「入门知识」，平日工作倒也够用，而数学、计算机基础的巩固和学习，是一辈子的事，不用太急。
不要哀叹过去的荒芜，唯一的方法是立足于现在的状态，选取最优的进步路线，勤勉地躬行之。
学过一点点经济学基础的人，不会为「沉没成本」沮丧。
数学太美，逻辑太美，算法太美。
我却近来才发现。读书的时候全没省得。
不省得也没关系，老老实实听话就好，现在想想，是「独立思考」得过于早了。
这是我的人生历程，没什么可后悔，写这只是想规谏还在念书的朋友。
别急着自行其是，以后的人生里，有的是机会让你自行决策，还在念书的时候，请听话。
听老师的话，好好学习，天天向上。