看完這篇文章，深有感觸。

慶幸自己現在大一還未結束，一切都來的及。

打好基礎比什麼都重要。

轉載此文，與君共勉。

關於

嚴格來說，本文題目應該是 我的資料結構和演算法學習之路，但這個寫法實在太繞口——況且CS中的演算法往往暗指資料結構和演算法（例如 演算法導論 指的實際上是 資料結構和演算法導論），所以我認為本文題目是合理的。

這篇文章講了什麼？

• 我這些年學習資料結構和演算法的總結。
• 一些不錯的演算法書籍和教程。
• 演算法的重要性。

初學

第一次接觸資料結構是在大二下學期的資料結構課程。然而這門課程並沒有讓我入門——當時自己正忙於倒賣各種MP3和耳機，對於這些課程根本就不屑一顧——反正最後考試劃個重點也能過，於是這門整個計算機專業本科最重要的課程就被傻逼的我直接忽略過去了。

直到大三我才反應過來以後還要找工作——而且大二的折騰證明了我並沒有什麼商業才能，以後還是得靠碼程式碼混飯吃，我當時驚恐的發現自己對程式設計序幾乎一無所知，於是我給自己制訂了一個類似於建國初期五年計劃的讀書成長計劃，其中包括C語言基礎、資料結構以及計算機網路等方面的書籍。

讀書計劃的第一步是選擇書籍，我曾向當時我覺得很牛的 “學長” 和 “大神” 請教應該讀哪些演算法書籍，”學長”們均推薦演算法導論，還有幾個”大神”推薦計算機程式設計藝術（現在我疑心他們是否翻過這些書），草草的翻了下這兩本書發現實在看不懂，但幸運的是我在無意中發現了 豆瓣 這個神奇的網站，裡面有很多質量不錯的書評，於是我就把評價很高而且看上去不那麼嚇人的計算機書籍都買了下來——事實證明豆瓣要比這些”學長”或是”大神”靠譜的多得多。

資料結構與演算法分析——C 語言描述

資料結構與演算法分析——C 語言描述 是我學習資料結構的第一本書：當時有很多地方看不懂，於是做記號反覆看；程式碼看不明白，於是抄到本子上反覆研讀；一些演算法想不通，就把它所有的中間狀態全畫出來然後反覆推演。事實證明儘管這種學習方法看起來傻逼而且效率很低，但對於當時同樣傻逼的我卻效果不錯——傻人用傻辦法嘛，而且這本書的課後題大多都是經典的面試題目，以至於日後我看到 程式設計之美 的第一反應就是這貨的題目不全是抄別人的麼。

至今記得，這本書為了說明演算法是多麼重要，在開篇就拿最大子序列和作為例子，一路把複雜度從 O(N^3) 殺到 O(N^2) 再到 O(NlgN) 最後到 O(N)，當時內心真的是景仰之情如滔滔江水連綿不絕，尼瑪為何可以這麼屌，

此外，我當時還把這本書裡圖演算法之前的資料結構全手打了一遍，後來找實習還頗為自得的把這件事放到簡歷裡，現在想想真是傻逼無極限。

憑藉這個讀書成長計劃中學到的知識，我總算比較順利的找到了一份實習工作，這是後話。

入門

我的實習並沒有用到什麼演算法（現在看來就是不停的堆砌已有的 API，編寫一堆自己都不知道對不對的程式碼而已），在發現身邊的人工作了幾年卻還在和我做同樣的事情之後，我開始越來越不安。儘管當時我對自己沒什麼規劃，但我清楚這絕壁不是我想做的工作。

微軟的夢工廠

在這個搖擺不定的時刻，微軟的夢工場 成了壓倒駱駝的最後一支稻草，這本書對微軟亞洲研究院的描寫讓我下定了 “找工作就要這樣的公司” 的決心，然而我又悲觀的發現無論是以我當時的能力還是文憑，都無法達到微軟亞研院的要求，矛盾之下，我徹底推翻了自己”畢業就工作”的想法，辭掉實習，準備考研。

考研的細節無需贅述，但至今仍清楚的記得自己在複試時驚奇且激動的發現北航宿舍對面就是微軟西格瑪大廈，那種離理想又進了一步的感覺簡直爽到爆。

演算法設計與分析

我的研究生生涯絕對是一個反面典型——翹課，實習，寫水論文，做水研究，但有一點我頗為自得——從頭到尾認真聽了韓軍教授的演算法設計與分析課程。

韓軍給我印象最深的有兩點：課堂休息時跑到外面和幾個學生借火抽菸；講解演算法時的犀利和毫不含糊。

儘管韓軍從來沒有主動提及，但我敢肯定 演算法設計與分析基礎 就是他演算法課程事實上的（de-facto）教材，因為他的課程結構幾乎和這本書的組織結構一模一樣。

如果 資料結構與演算法分析——C語言描述 是我的資料結構啟蒙，那麼韓軍的課程 演算法設計與分析基礎 就是我的演算法啟蒙，結合課程和書籍，我一一理解並掌握了複雜度分析、分治、減治、變治、動態規劃和回溯這些簡單但強大的演算法工具。

演算法引論

演算法引論 是我這時無意中讀到的另一本演算法書，和普通的演算法書不同，這本書從創造性的角度出發——如果說演算法導論講的是有哪些演算法，那麼演算法引論講的就是如何創造演算法。結合前面的 演算法設計與分析基礎，這本書把我能解決的演算法問題數量擴大了一個數量級。

之後，在機緣巧合下，我進入微軟亞洲工程院實習，離理想又近了一步，自我感覺無限牛逼。

鞏固

在微軟工程院的實習是我研究生階段的一個非常非常非常重要的轉折點：

1. 做出了一個還說的過去的小專案。
2. 期間百度實習面試受挫，痛定思痛之下閱讀了大量的程式設計書。
3. 微軟的實習經歷成為了我之後簡歷上為數不多的亮點之一（本屌一沒成績，二沒論文，三沒ACM）。

這裡就不說1和3了（和本文題目不搭邊），重點說說 2。

由於當時組內沒有特別多的專案，我負責的那一小塊又提前搞定了，mentor 便很慷慨的扔給我一個 Kinect 和一部Windows Phone 讓我研究，研究嘛，自然就沒有什麼 deadline，於是我就很雞賊的把時間三七開：七分倒騰 Windows Phone，三分看書&經典論文。

然而一件事打斷了這段安逸的生活——

百度實習面試

基友在人人發百度實習內推貼，當時自我感覺牛逼閃閃放光芒，於是就抱著看看國內 IT 環境+虐虐面試官的變態心理投了簡歷，結果在第一面就自己的師兄爆出翔：他讓我寫一個 stof（字串轉浮點數），我磨磨唧唧半天也沒寫出完整實現，之後回到宿舍趕快寫了一個版本發到師兄的郵箱，結果對方壓根沒鳥我。

這件事對我產生了很大的震動——

• 原來自己連百度實習面試都過不去。
• 原來自己還是一個程式設計弱逼。
• 原來自己還是一個演算法菜逼。

痛定思痛，我開始了第二個”五年計劃”，三七開的時間分配變成了七三開：七分看書，三分WP。而這一階段的重點從原理（Principle）變成了實現（Implementation）——Talk is cheap, show me the code.

Elements of Programming

由於一直覺得名字裡帶 “Elements of” 的都是酷炫叼炸天的書，所以我幾乎是毫不猶豫的買了這本 Elements of Programming（中譯本：程式設計原本），事實上這本書裡的程式碼（或者說 STL 的程式碼）確實是：快，狠，準，古龍高手三要素全齊。

C Interfaces and Implementation

百度面試被爆出翔的經歷讓我意識到另一個問題，絕大多數公司面試時都需要在紙上寫 C 程式碼，而我自己卻很少用 C（多數情況用 C#），考慮到自己還沒牛逼到能讓公司改變面試流程的地步，我需要提升自己編寫 C 程式碼的能力（哪怕只是為了面試）。一頓 Google 之後，我鎖定了 C Interfaces and Implementation——另一本關於如何寫出狂炫酷帥叼炸天的C程式碼的奇書，這裡套用下 Amazon 的 評論：Probably the best advanced C book in existance。

嚴格來說上面兩本書都不是傳統的演算法書，因為它們側重的都不是演算法，而是經典演算法的具體實現（Implementation），然而這正是我所需要的：因為演算法的原理我能說明白，但要給出優雅正確簡練的實現我就傻逼了，哪怕是 stof 這種簡單到爆的 “演算法”。

依然是以前的傻逼學習方法：反覆研讀+一遍又一遍的把程式碼抄寫到本子上，艱難的完成了這兩本書後，又讀了相當數量的程式設計實踐（Programming Practice）書籍，自我感覺程式設計能力又大幅提升，此外獲得新技能——紙上編碼。這也成為了我之後找工作面試的三板斧之一。

應用

說老實話，自從本科實習之後，我就一直覺得演算法除了面試時能用用，其它基本用不上，甚至還寫了一篇當時頗為自得現在讀起來極為傻逼的 文章 來黑那些動不動就”基礎”或”內功”的所謂”大牛”們，這裡摘取一段現在看起來很傻逼但當時卻覺得是真理的文字：

所以那些動則就扯什麼演算法啊基礎啊內功啊所謂的大牛們，請閉上你的嘴，條條大道通羅馬。演算法並不是程式設計的前提條件，數學也不會阻礙一個人成為優秀的程式設計師。至少在我看來，什麼演算法基礎內功都是唬人的玩意，多編點能用的實用的程式才是王道，當然如果你是一個pure theorist的話就當我什麼都沒說好了。

然而有意思的是，寫了這篇 文章 沒多久，鼓吹演算法無用論的我自己做的幾個大大小小的專案全部用到了演算法——我疑心是上天在有意抽我的臉。

LL(k)

我在微軟實習的第一個專案做的是 程式碼覆蓋率分析——計算 T-SQL 儲存過程的程式碼覆蓋率。

簡單的看了下 SQL Server 相關的文件，我很快發現 SQL Reporting Service 可以記錄 T-SQL 的執行語句及行號，於是行覆蓋（line coverage）搞定，但老大說行覆蓋太 naive，我們需要更實際的塊覆蓋（block coverage）。

閱讀了塊覆蓋的定義後，我發現我需要 對T-SQL 進行語法分析，在沒有找到一個好用的 T-SQL Parser 的情況下，只能自己動手搞一個：

比較奇詭的是，做這個專案時當時我剛好把 ANTLR 作者的 Language Implementation Patterns（中譯本：程式語言實現模式）看了一半，什麼 LL(k) 啊 Packrat 啊 AST Walker 的概念啊正熱乎著呢。

於是，自己自己就照著 T-SQL 的官方 EBNF，三下五除二搞了一個 T-SQL 儲存過程的 LL(k) Parser，把程式碼轉換成 AST，然後用一個 External AST Walker 生成程式碼塊覆蓋的 HTML 報表，全部過程一週不到。

老大自然是很滿意——我疑心他的原計劃是花兩三個月來完成這個專案，因為這個專案之後的兩個月我都沒什麼活幹，天天悠哉遊哉。

拼音索引

拼音索引是我接的一個手機應用私活裡的小模組，使用者期待在手機文字框可以根據輸入給出智慧提示：

比如說輸入中國：

同樣，輸入拼音也應給出提示：

中文匹配這個簡單，但拼音匹配就得花時間想想了——懶得造輪子的我第一時間找到了微軟的拼音庫，但接下來我就發現微軟這個鳥庫在手機上跑不動，研究了下發現 WP7 對 Dictionary 的 items 數量有限制，貌似是 7000 還是 8000 個 item就會崩盤，而標準漢字則有兩萬多個，尼瑪。

痛罵MS坑爹+漢字坑爹之餘，還是得自己擼一個庫出來：

1. 首先把那兩萬個漢字搞了出來，排序，然後弄成一個超長的字串。
2. 接下來用 Int16 索引了漢字所有的拼音（貌似500多個）。
3. 再接下來用 Int64 建立漢字和拼音的關聯——漢字有多音字，所以需要把多個拼音 pack 到一個 Int64 裡，這個簡單，位操作就搞定。
4. 最後用二分+位移 Unpack，直接做到從漢字到拼音的檢索。
5. 後來小測了下效能，速度是 MS 原來那個庫的五十倍有餘，而程式碼量只有 336 行。

使用者很 happy——因為我捎帶把他沒想到的多音字都搞定了，而且流暢的一逼。

我也很 happy，因為沒想到自己寫的庫居然比 MS 的還要快幾十倍，同時小十幾倍。

從這個事情之後我變得特別理解那些造輪子的人——你要想想，如果你需要一個飛機輪子但市場上只有自行車輪子而且老闆還催著你交工，你能怎麼搞。

快速字串匹配

前面提到在微軟實習時老大扔給我一個 Windows Phone 讓我研究下，我當時玩了玩就覺著不太對勁，找聯絡人太麻煩。

比如說找”張曉明”，WP 只支援定位到Z分類下——這意味著我需要在 Z 分類下的七十多個聯絡人（姓張的姓趙的姓鐘的等等）裡面線性尋找，每次我都需要滑動四五秒才能找到這個張姓少年。

這也太傻逼了，本屌三年前的老破NOKIA都支援首字母定位，996->ZXM->張曉明，直接搞定，尼瑪一個新時代 Windows Phone 居然會弱到這個程度。

搜了一下發現沒有好用的撥號程式，於是本屌就直接擼了一個支援首字母匹配的撥號程式出來扔到WP論壇裡。

結果馬上就有各種問題出現——最主要的反映是速度太慢，一些使用者甚至反饋按鍵有時要半秒才有反應。本屌問了下他的通訊錄大小：大概 3000 多人。

吐槽怎麼會有這麼奇葩的通訊錄之餘，我意識到自己的字串匹配演算法存在嚴重的效能問題：讀取所有人的姓名計算出拼音，然後一個個的匹配——結果如果聯絡人數量太多的話，速度必然拙計。

於是我就開始苦思冥想有沒有一個能夠同時搜尋多個字串的高階演算法，以至於那兩天坐地鐵都在嘟囔怎麼才能把這個應用搞的快一些。

最終還是在 Algorithms on Strings, Trees and Sequences 裡找到了答案——確實有能夠同時搜尋多個字串的方法：Tries，而且這本書還用足足一章來講怎麼弄 Multiple string comparison，看得我當時高潮迭起，直呼過癮。

具體細節不多說，總之換了演算法之後，匹配速度快了大約九十多倍，而且程式碼還短了幾十行。哪怕是有 10000 個聯絡人，也能在 0.1 秒內搞定，速度瓶頸就這樣愉快的被演算法搞定。

Writing Efficient Programs

之後又做了若干個專案，多多少少都用到了”自制”的演算法或資料結構，最奇詭的一次是寫一個電子書閱讀器裡的分頁，我照著模擬退火（Simulated Annealing）的原理寫了一個快速分頁演算法，事實上這個演算法確實很快——但問題是我都不知道為啥它會這麼快。

總之，演算法是一種將有限計算資源發揮到極致的武器，當計算資源很富餘時演算法確實沒大用，但一旦到了效率瓶頸演算法絕壁是開山第一刀（因為演算法不要錢嘛！要不還得換 CPU 買 SSD 升級 RAM，肉疼啊！！）。一些人會認為這種說法是有問題，因為編寫新演算法的人力成本有時比增加硬體的成本還要高——但別忘了增加硬體提升效率也是建立在演算法是 Scalable的基礎上——說白了還是得搞演算法。

說到優化這裡順帶提一下 Writing Efficient Programs——很難找到一本講程式碼優化的書（我疑心是自從 Knuth 說了 過早優化是萬惡之源 之後沒人敢寫，萬惡之源嘛，寫它幹毛），注意這本書講的是程式碼優化——在不改變架構、演算法以及硬體的前提之下進行的優化。儘管書中的一些諸如變數複用或是迴圈展開的 trick 已經過時，但總體仍不失為一本好書。

提高

實習實習著就到了研二暑假，接下來就是求職季。

求職季時我有一種莫名的復仇感——尼瑪之前百度實習面試老子被你們黑的漫天飛翔，這回求職老子要把你們一個個黑回來，尼瑪。

現在回想當時的心理實屬傻逼+幼稚，但這種黑暗心理也起了一定的積極作用：我絲毫不敢有任何怠慢，以至於在5月份底我就開始準備求職筆試面試，比身邊的同學早了兩個月不止。

我沒有像身邊的同學那般刷題——而是繼續看書抄程式碼學演算法，因為我認為那些難得離譜的題面試官也不會問——事實上也是如此。

Algorithm Design Manual

因為很多 Coding Interview 的論壇都提到這本 紅皮書，我也跟風搞了一本。事實證明，僅僅是關於 Backtrack Template 那部分的描述就足以值回書價，更不用說它的 Heuristics 和課後題。

程式設計珠璣&更多的程式設計珠璣

這兩本書就不用多介紹，程式設計珠璣 和 更多的程式設計珠璣，沒聽說過這兩本書請自行面壁。前者偏演算法理論，後者偏演算法軼事，前者提升能力，後者增長談資，都值得一讀。

The Science of Programming

讀到 程式設計珠璣 裡面關於 Binary Search 的正確性證明時我大呼過癮，原來程式的正確性也是可以推導的，然後我就在那一章的引用裡發現 David Gries 的 The Science of Programming。看名字就覺得很厲害，直接搞了一本開擼。

不愧為 程式設計珠璣 引用的書籍，讀完 The Science of Programming 之後，我獲得了證明簡單程式碼段的正確性 這個技能——求職面試三板斧之二。

證明簡單程式碼段的正確性 是一個很神奇的技能——因為面試時大多數公司都會要求在紙上寫一段程式碼，然後面試官檢查這段程式碼，如果你能夠自己證明自己寫的程式碼是正確的，面試官還能挑剔什麼呢？

之後就是各種面試，總之就是專案經歷、紙上程式碼加正確性證明這三板斧，摧枯拉朽。

進化

求職畢業季之後就是各種 Happy，Happy 過後我發現即將面臨另一個問題：演算法能力不足。

因為據說以後的同事大多是 ACM 選手，而本屌從來沒搞過演算法競賽，而且知道的演算法和資料結構都極為基礎：像那些元胞自動機、斐波那契堆或是線段樹這些高階資料結構壓根只是能把它們的英文名稱 拼寫 出來，連用都沒用過，所以心理忐忑的一逼。

為了不至於到時入職被鄙視的太慘烈，加上自己一貫的演算法自卑症，本屌強制自己再次學習演算法：

演算法（第四版）

演算法（第四版） 是我重溫演算法的第一本書，儘管它實際就是一本 資料結構的入門書，但它確實適合當時已經快把演算法忘光的本屌——不為學習，只為重溫。

這本書最大的亮點在於它把 Visualization 和 Formatting 做到了極致——也許它不是最好的資料結構入門書，但它絕壁是我讀過的排版最好的書，閱讀體驗爽的一逼；當然這本書的內容也不錯，尤其是紅黑樹那一部分，我想不會有什麼書會比此書講的更明白。

6.851 Advanced Data Structures

Advanced Data Structures 是 MIT 的高階資料結構教程，為什麼會找到這個教程呢？因為Google Advanced Data Structures 第一個出來的就是這貨。

這門課包含各種讓本屌世界觀崩壞的奇詭資料結構和演算法，它們包括但不限於：

• 帶 “記憶” 的資料結構（Data Structure with Persistence）。
• van Emde Boas（逆天的插入，刪除，前驅和後繼時間複雜度）。
• o(1) 時間複雜度的的 LCA、RMQ 和 LA 解法。
• 奇幻的 o(n) 時間複雜度的 Suffix Tree 構建方法。
• o(lglgn) 的 BST。
• …

總之高潮迭起，分分高能，唯一的不足就是沒有把它們實現一圈。

總結

從接觸演算法到現在，大概七年：初學時推崇演算法牛逼論，實習後鼓吹演算法無用論，讀研後再被現實打回演算法牛逼論。

怎麼這麼像辯證法裡的肯定到否定再到否定之否定。

現在來看，相當數量的鼓吹演算法牛逼論的人其實不懂演算法的重要性——如果你連用演算法解決 實際 問題的經歷都沒有，那你如何可以證明演算法很有用？而絕大多數鼓吹演算法無用論的人不過是低水平碼農的無病呻吟——他們從未碰到過需要用演算法解決的難題，自然不知道演算法有多重要。

Peter Norvig 曾經寫過一篇非常精彩的 SICP書評，我認為這裡把 SICP 換成演算法依然適用：

To use an analogy, if algorithms were about automobiles, it would be for the person who wants to know how cars work, how they are built, and how one might design fuel-efficient, safe, reliable vehicles for the 21st century. The people who hate algorithms are the ones who just want to know how to drive their car on the highway, just like everyone else.

If you want to become a good programmer, you can spend 10 years programming, or spend 2 years programming and learning algorithms.

總而言之，如果你想成為一個碼農或是熟練工（Code Monkey），你大可以不學演算法，因為演算法對你確實沒有用；但如果你想成為一個優秀的開發者（Developer），紮實的演算法必不可少，因為你會不斷的掉進一些只能藉助演算法才能爬出去的坑裡。

以上。