10種演算法
1、二叉查詢樹
節點：左子節點的值都比它小，而右子節點的值都比它大
插入後無需排序，

2、反向索引
搜尋引擎的工作原理，建立一個散列表，鍵為“搜尋詞”，值為“包含搜尋詞的介面”；

3、傅立葉變換
“給它一杯冰沙，它能告訴你其中包含哪些成分”，例如：給定一首歌曲，傅立葉變換能夠將其中的各種頻率分離出來。使用傅立葉變換可建立類似於“酷狗”這樣的音樂識別軟體。

4、並行演算法
為了提高演算法的速度，我們需要讓它們能夠在多個核心中並行地執行。例如：對陣列進行排序，在最佳情況下，排序演算法的速度大致為O(nlongn)。但是在快速排序的並行版本所需的時間為O(n)。

並行演算法設計的速度提升並非線性的，因此即便你的膝上型電腦裝備了兩個而不是一個核心，演算法的速度也不可能提高一倍，其中的原因有兩個：
a、並行性管理開銷

。假設你要對一個包含1000個元素的陣列進行排序，如何在兩個核心之間分配這項任務呢？如果讓每個核心對其中500個元素進行排序，再將兩個排好序的數組合併成一個有序陣列，那麼合併也是需要時間的。
b、負載均衡。假設你需要完成10個任務，因此你給每個核心都分配5個任務。但分配給核心A的任務都很容易，10秒鐘就完成了，而分配給核心B的任務都很難，1分種才完成。這意味著有那麼50秒，核心B在忙死忙活，而核心A去閒得很，你如何均勻地分配工作，讓兩個核心都一樣忙呢？
要改善效能和可擴充套件性，並行演算法可能是不錯的選擇！

5、MapReduce(Apache Hadoop)
分散式演算法，可讓演算法在多臺計算機上執行。
例如：你有一個數據庫表，包含數十億乃至數萬億行，需要對其執行復雜的SQL查詢。在這種情況下，你不能使用MySQL，因為資料表的行數超過十億後，它處理起來將很吃力。相反，你需要通過Hadoop來使用MapReduce！
分散式演算法非常適合用於在短時間內完成海量工作，其中的MapReduce基於兩個簡單的理念：對映

（map）函式和歸併（reduce）函式。
對映函式：它接受一個數組，並對其中的每個元素執行同樣的處理，是將一個數組轉換為另一個數組。
例如：如果有100臺計算機，而map能夠自動將工作分配給這些計算機去完成就好了。這樣就可同時下載100個頁面。下載速度將快得多！
歸併函式：將一個數組轉換為一個元素。
MapReduce使用這兩個簡單概念在多臺計算機上執行資料查詢。資料集很大，包含數十億行時，使用MapReduce只需幾分鐘就可獲得查詢結果，而傳統資料庫可能要耗費數小時。

6、布隆過濾器和HyperLogLog
惡意網站過濾（海量資料處理）。
布隆過濾器：概率型資料結構。它提供的答案有可能不對，有可能正確。使用散列表時，答案絕對可靠，使用布隆過濾器時，答案卻是很可能是正確的，但是不可能出現漏報的情況，即如果布隆過濾器說“這個網站未蒐集”，就肯定未蒐集。
優點：在於佔用的儲存空間很少。

HyperLogLog：是一種類似於布隆過濾器的演算法。HyperLogLog近似地計算集合中不同的元素數，與布隆過濾器一樣，它不能給出準確的答案，但也八九不離十，而佔用記憶體空間卻少很多。

7、SHA演算法
安全雜湊演算法（SHA）函式。給定一個字串，SHA返回其雜湊值（字串）。用於建立的散列表的雜湊函式根據字串生成陣列索引。
“hello”——》2cf24·····
對於每個不同的字串，SHA生成的雜湊值都不同；

a、比較檔案： 根據檔案的SHA雜湊值進行比較
b、檢查密碼：根據SHA雜湊值進行比較

8、區域性敏感的雜湊演算法
SHA還有一個重要特徵，那就是區域性不敏感的。有時候，希望雜湊函式是區域性敏感的，在這種情況下，可使用Simhash。如果你對字串做細微的修改，Simhash生成的雜湊值也只存在細微的差別。
例如：
Google使用Simhash來判斷網頁是否已搜尋；
使用Simhash來判斷論文是否是從網上抄的；
使用Simhash來檢查上傳的內容是否侵權；

9、Diffie-Hellman金鑰交換
公鑰與私鑰

10、線性規劃
線性規劃用於在給定約束條件上最大限制地改善指定的指標（目標）；
Simplex演算法