OPPO算法岗笔试复盘：从KMP到PID，手机厂商算法考点全解析

8月底收到OPPO秋招算法岗笔试邮件的时候，我正在牛客上刷模拟题。切到赛码平台一看，90分钟，题型有单选、多选、简答和两道编程题，题目质量不低，而且和我之前刷的互联网大厂题库很不一样——里面居然出现了图像锐化算子、PID控制原理、音频重采样这些“很手机厂商”的题。当时我就意识到，这场算法岗笔试不能只按LeetCode的套路准备，得先把手机厂商的业务场景吃透。

这篇文章把这套笔试题涉及的核心考点完整复盘一遍：KMP的next数组怎么算、KL散度和ELBO会怎么考、Sobel和拉普拉斯算子背后的影像逻辑、PID和FOC为什么出现在手机厂商笔试里，以及手撕代码题的常见套路和踩坑教训。准备投OPPO或者其他手机厂商算法岗的同学，建议先读完再上考场。

1. 这场笔试的底色：手机厂商算法岗到底在考什么

1.1 算法岗不是只有一个名字

OPPO秋招的算法岗在官网申请时能看得很清楚，不是笼统的“算法工程师”一个岗位，而是分成影像算法、音频算法、机器学习/数据挖掘、控制算法、NLP算法、搜索推荐等多个子方向。虽然都叫算法岗，笔试的考察重心差异很大。

影像算法岗侧重点在图像处理、ISP流程、深度学习模型压缩与部署；音频算法岗会考信号处理、滤波器设计、重采样和回声消除；小布助手相关岗位偏向NLP和语音；互联网服务方向则大量考察传统机器学习和深度学习基础；硬件周边还会考控制算法，比如充电电压电流控制、马达驱动。

这也是为什么很多人在网上搜“OPPO算法岗笔试”的时候，会觉得考点很杂。不是题目出得乱，而是手机厂商的算法岗本身就是多线并行的。投递之前先看清楚自己报的是哪个子方向，复习才有针对性。

1.2 从业务线反推考点

手机厂商的核心卖点是什么？影像、快充、外观、系统流畅度。这些卖点背后对应的算法岗需求就非常清晰了：

• 影像：超分、降噪、HDR、美颜、夜景增强，涉及Sobel、拉普拉斯这些经典算子，也涉及深度学习图像分类和生成模型。
• 快充：VOOC闪充的电压电流控制，涉及PID这类的控制算法。
• 马达：线性马达的驱动与振动波形调校，涉及FOC控制。
• 音频：通话降噪、扬声器音效、多设备协同，涉及重采样和滤波器设计。
• 小布助手：语音唤醒、NLP对话、搜索推荐，涉及Transformer、检索模型、用户画像聚类。
• 智能制造：手机产线的缺陷检测，涉及工业异常检测算法。

所以热词里出现“pid算法在crps psu power的作用”“音频重采样算法”“sobel算法”，并不是网络搜索的偶然联想，而是真实业务刚需。我印象最深的是一道简答题：给了一小段快充电源控制场景，问PID三个环节各自起什么作用。如果只看算法导论，肯定懵；但如果你知道OPPO做闪充，就知道这道题考的就是控制环路的比例、积分、微分各自解决什么问题。

1.3 线上笔试的真实体验

2023年的线上笔试用的是赛码平台，整体体验还算稳定。题型分布大致是：20道选择填空，覆盖数据结构、算法复杂度、机器学习基础；5道多选题，集中在深度学习和数学基础；2道简答题，通常是场景题；最后2道编程题，难度中等偏上。

需要注意两点：一是多选题的计分规则，有些平台漏选给一半分，有些选错直接0分，开始前一定看清说明；二是编程题不要求全部测试用例通过，但能过部分就有分，所以哪怕没完全做对，也要把暴力解的代码交上去，别留空。

时间安排上，选择题平均每题不到两分钟，不会的果断跳过，千万别卡在某一题上。我当时在KMP那道概念题上多花了几分钟，后面编程题时间就有点紧，这是个教训。

2. 基础算法轮：从KMP的next数组到贪心与模拟退火

2.1 KMP与next数组：一道题暴露定义不统一

热词里专门有“在kmp算法中，对于模式串p=‘abacaba’，其next数组（next[i]定义为...）”，这道题在2023年秋招笔试中确实出现了，而且很多人在网上讨论答案不统一。

不统一的根源是next数组有两种常见定义。一种定义是：next[i]表示模式串前i个字符（或者说以i结尾的子串）的最长公共前后缀长度；另一种定义是：next[i]表示第i位失配时应该跳转到的位置。两种定义算出来的结果不同，笔试时必须先看清题目给的是哪一种。

我按下标从0开始、next[i]表示p[0..i]这个子串的最长公共前后缀长度来计算：

所以按这个定义，next数组是 {0, 0, 1, 0, 1, 2, 3}。

计算方法是：对每个位置i，找出子串p[0..i]的所有前缀和后缀，取相同的最大长度。比如i=6时，子串是“abacaba”，前缀有a、ab、aba、abac、abaca、abacab，后缀有a、ba、aba、caba、acaba、bacaba，共同的是a和aba，最大就是3。

需要特别提醒：如果把next定义为失配跳转位置，通常从-1或0开始，结果就完全不一样了。平时刷算法题的时候，建议固定使用一种定义并理解清楚，但真正笔试时一定要按题目给出的定义来，不要下意识套模板。

2.2 排序与快速幂：看似送分实则埋坑

笔试选择题里排序算法是高频考点。冒泡排序、堆排序、快速排序、归并排序的时间复杂度、空间复杂度、稳定性几乎每年都考。其中冒泡排序还会让写C++实现，这道题看着简单，但边界条件容易出错。

void bubbleSort(vector<int>& arr) { int n = arr.size(); for (int i = 0; i < n - 1; ++i) { bool swapped = false; for (int j = 0; j < n - 1 - i; ++j) { if (arr[j] > arr[j + 1]) { swap(arr[j], arr[j + 1]); swapped = true; } } if (!swapped) break; // 优化：本轮无交换则已有序 } }

冒泡排序最好情况O(n)，最坏和平均O(n²)，稳定。堆排序是O(n log n)，不稳定，笔试里通常考建堆过程和topK思路，而不太会要求完整手写堆排序。

快速幂是另一个高频考点。它本身不难，但很多人不熟悉取模场景下的写法：

long long fastPow(long long a, long long b, long long mod) { long long res = 1; while (b > 0) { if (b & 1) res = res * a % mod; a = a * a % mod; b >>= 1; } return res; }

笔试里快速幂通常会结合组合数取模、模逆元一起考。复习的时候别只背模板，要理解它为什么能把指数降到O(log b)次运算：二进制拆分，把b表示成若干个2的幂的和，a的对应幂次提前算好。

2.3 图论题：贪心、Dijkstra、二分图与Kahn排序

基础算法轮里，图论和贪心是编程题的主要来源。

贪心算法最常见的是区间调度类问题。比如给定若干区间，选择最多的互不重叠区间。解法是先按结束时间排序，然后依次选择结束时间最早的区间。这种题的证明思路是交换论证，笔试简答或面试里会问“为什么贪心是对的”。

Dijkstra算法是图论里的必考内容。笔试编程题如果出“给定加权无向图，求起点到终点的最短路”，标答基本就是堆优化Dijkstra：

vector<int> dijkstra(int n, vector<vector<pair<int,int>>>& graph, int s) { vector<int> dist(n, INT_MAX); dist[s] = 0; priority_queue<pair<int,int>, vector<pair<int,int>>, greater<>> pq; pq.push({0, s}); while (!pq.empty()) { auto [d, u] = pq.top(); pq.pop(); if (d > dist[u]) continue; for (auto [v, w] : graph[u]) { if (dist[u] + w < dist[v]) { dist[v] = dist[u] + w; pq.push({dist[v], v}); } } } return dist; }

注意点：Dijkstra不能处理负权边；稠密图用朴素O(n²)，稀疏图用堆优化O((n+m)log n)。笔试里数据范围通常会暗示该用哪种。

二分图HK算法和Kahn排序更多是概念题。Kahn算法是拓扑排序的经典实现，维护入度为0的节点队列，依次取出并减少邻居入度。DC3算法是后缀数组的O(n)构造算法，笔试基本不会让你手写，但选择题里可能会问“以下哪个算法能在O(n)时间内构造后缀数组”。

2.4 粒子群和模拟退火：考的是“知道不知道”

粒子群算法和模拟退火算法这两类元启发式优化算法，在互联网大厂笔试里出现频率不高，但手机厂商和智能制造相关岗位会考，因为产线调度、参数调优、路径规划这些场景真的会用到。

粒子群算法的核心是：每个粒子有位置和速度，记录个体最优pbest和全局最优gbest，迭代更新：

v = w·v + c1·r1·(pbest - x) + c2·r2·(gbest - x) x = x + v

其中w是惯性权重，c1是自我认知因子，c2是社会认知因子。笔试题可能直接问w增大对搜索的影响：w越大，全局探索能力越强；w越小，局部开发能力越强。

模拟退火算法的关键是Metropolis准则：新解比当前解好，一定接受；新解更差，以概率exp(-ΔE/T)接受。温度T越高，接受差解的概率越大，早期不容易陷入局部最优；随着温度下降，接受劣解的概率减小，最终收敛。

这类题答题时做到三步：讲清灵感来源（粒子群来自鸟群觅食，模拟退火来自金属退火），讲清核心步骤，讲清适用场景。不需要写完整代码，但要把关键公式和参数含义写出来。

3. 机器学习与深度学习轮：KL散度、ELBO与模型细节

3.1 KL散度为什么永远是考点

KL散度，也叫相对熵，是机器学习笔试里绕不开的基础概念。公式是：

KL(P||Q) = Σ P(x) log(P(x)/Q(x))

它是用来衡量两个概率分布之间差异的度量，但它不是一个真正的距离。这个“不是距离”的点，经常在选择题里出现。KL散度不满足对称性，KL(P||Q)不等于KL(Q||P)，也不满足三角不等式。

为什么KL散度这么重要？因为深度学习的很多目标函数都能跟它扯上关系：交叉熵损失本质上就是KL散度加上一个常数项；VAE的损失函数里有KL散度；强化学习PPO算法也用KL散度来限制新旧策略的差异。

笔试题可能会给两个简单的离散分布，让手算KL散度。比如P = {0.5, 0.5}，Q = {0.9, 0.1}，算KL(P||Q)。这种题要会算，而且要会判断结果是否大于等于0。KL散度的非负性一般用Jensen不等式证明，笔试简答里如果问“为什么KL散度非负”，可以答：因为log是凹函数，所以E[log(X)] ≤ log(E[X])。

另外注意：有的题目用log2底，有的用自然对数ln，算出来的数值不同，但判断大小关系不受影响。

3.2 ELBO与变分推断：VAE推导的得分点

热词里“kl elbo算法原理详解”基本就是冲着VAE和变分推断去的。ELBO（Evidence Lower Bound，证据下界）是变分推断的核心概念。

推导逻辑大致是：我们要算后验分布p(z|x)，但很难直接求。于是找一个容易计算的分布q(z|x)去近似它。对log p(x)做变形：

log p(x) = ELBO(q) + KL(q(z|x) || p(z|x))

其中：

ELBO(q) = E_q[log p(x|z)] - KL(q(z|x) || p(z))

因为KL(q(z|x) || p(z|x)) ≥ 0，所以log p(x) ≥ ELBO(q)。这意味着最大化ELBO等价于最小化KL(q(z|x) || p(z|x))，也就是说，让近似的后验分布尽量接近真实后验分布。

在VAE里，ELBO的两项通常被解释为重构损失和正则项。E_q[log p(x|z)]鼓励模型从隐变量z重构出真实数据x，KL(q(z|x) || p(z))约束隐变量分布接近先验分布（通常是标准正态分布）。

笔试考法常见是：给一个VAE的损失函数表达式，问前一项和后一项分别是什么含义。或者是问“变分推断中为什么用ELBO而不是直接优化KL散度”，答案是ELBO是log p(x)的下界，可以直接计算梯度优化，而KL(q||p)里的p(z|x)是未知的。

3.3 KNN的三个应用能力与聚类算法

热词里有一条“knn算法的应用能力包括哪三个方面”，这个题很典型。KNN就是K近邻算法，它的三个核心应用能力是：

1. 分类：找到样本的K个最近邻，用多数投票决定类别。
2. 回归：找到样本的K个最近邻，对标签取平均或加权平均。
3. 缺失值填充/异常检测：用最近邻的取值估计缺失值，或者根据到邻居的距离判断是否异常。

这是标准答案，简答题可以直接这样写，再每个方向补一句解释。KNN的思路本身简单，但笔试常考它的特点：非参数方法、训练时没有显式学习过程、预测时计算量大、对特征尺度敏感所以通常需要标准化。

聚类算法也是常客。K-Means是最基础的，笔试题可能给出几个二维点，要求手动迭代一次K-Means，算聚类中心变化。步骤是：随机初始化K个中心，把每个点分给最近的中心，然后重新计算每个簇的中心，直到收敛。K-Means对初始值敏感、对离群点敏感，这也是考点。

在手机厂商场景里，聚类更多用于用户分群、语音/图像特征聚类、异常检测中的先验建模。工业异常检测算法在产线质检场景里很重要，常见思路包括重构误差法（用自编码器重构正常样本，重构误差大的判为异常）、特征距离法（提取正常样本特征，看目标样本特征与正常特征集合的距离）、以及PatchCore这类基于记忆库的方法。

3.4 从图像分类到强化学习：新模型与新范式的选择题

深度学习部分的选择题经常涉及基础模型和最新进展。2023年前后，EVA-02这类视觉Transformer增强模型出现在热词里，笔试题不会深挖模型细节，但会考“视觉Transformer和CNN的核心区别是注意力机制”“图像分类模型的发展脉络”这类概念。

强化学习今年在热词里也频出。强化学习的基本要素是状态、动作、奖励、策略、价值函数。策略梯度方法的核心思想是直接对策略进行梯度上升，提高高回报动作的概率。PPO算法里用KL散度限制新旧策略的差异，防止更新步子太大导致性能崩坏。

笔试里强化学习不会考得太深，一般就是选择题：给出几个算法问哪个不是强化学习算法，或者问reward shaping的作用。掌握基本概念就够了，不用去细推PPO的裁剪目标函数，除非你投的岗位明确做RL方向。

4. 业务场景题：影像、音频、快充与搜索里的算法考法

4.1 图像算法：Sobel、拉普拉斯与锐化背后的ISP逻辑

在手机影像算法岗的笔试里，Sobel算子和拉普拉斯算子属于基础中的基础。它们都不是深度学习内容，而是传统图像处理里的边缘检测和锐化工具，但在ISP流程里依然有位置，比如用于边缘增强、夜景细节提取。

Sobel算子有两个卷积核，分别检测水平边缘和垂直边缘：

Gx = [[-1,0,1],[-2,0,2],[-1,0,1]] Gy = [[-1,-2,-1],[0,0,0],[1,2,1]]

计算每个像素的梯度幅值，通常近似为|Gx| + |Gy|，也可以取平方和的平方根。Sobel相比单纯的梯度算子加了加权平均，抗噪能力更好一些。

拉普拉斯算子是一个二阶微分算子，常用卷积核是：

[[0,1,0],[1,-4,1],[0,1,0]]

或者带对角线的版本：

[[1,1,1],[1,-8,1],[1,1,1]]

图像锐化的基本公式是：锐化结果 = 原图 + 系数 × 拉普拉斯结果。这样做能让边缘对比度增强，画面显得更清晰。手机拍照里的“清晰度”调优，很多就是从这类算子起步的。

笔试如果出简答题，可以这样答：Sobel算子计算一阶梯度，突出边缘位置；拉普拉斯算子计算二阶梯度，对边缘敏感且对噪声更敏感，所以实际应用中通常先做平滑再去锐化。如果允许写伪代码，可以用Python思路：

# 拉普拉斯锐化（伪代码示例） import numpy as np from scipy import signal laplacian_kernel = np.array([[0, 1, 0], [1, -4, 1], [0, 1, 0]]) lap = signal.convolve2d(gray_img, laplacian_kernel, mode='same') sharpened = gray_img - lap # 中心为负时用减

想拿高分，要能说清楚“为什么锐化要加边缘信息”，以及“在手机夜景模式下直接拉高锐化会放大噪声”——这是实际调优中常见的坑。

4.2 音频重采样：从信号处理角度拆解

音频重采样算法会出现在音频算法岗的试卷里，但在通用算法岗的简答题里也出现过，毕竟做手机不可能不处理音频。重采样就是从44.1kHz转到48kHz这类采样率转换。原理上可以分两步理解：

• 上采样：先插值，增加采样点数。比如44.1kHz转48kHz，需要先插值到一个公倍数，再抽取。
• 抽取：按新采样率取点。直接抽取会导致频谱混叠，所以抽取之前必须经过低通滤波器，去掉采样率变化后超出奈奎斯特频率的部分。

最简单可演示的方法是线性插值：目标采样点落在两个源采样点之间，用线性插值计算。但实际工程里会用多相滤波器（polyphase filter），效率更高。笔试题如果问“为什么重采样后会有质量损失”，可以从滤波器的非理想特性、量化误差、以及重采样链路上多次插值抽取带来的累积误差这几个角度回答。

这里多说一句：OPPO做音频算法的同学，日常会涉及通话降噪、立体声录制、扬声器保护等等，重采样只是音频链路里很小的一个环节，但笔试拿它当“场景题”很合适，因为它能区分懂信号处理和不懂信号处理的人。

4.3 PID和FOC：手机厂商才爱考的控制算法

热词里“pid算法在crps psu power的作用”看上去很拗口，其实就是问PID在电源（CRPS电源、PSU供电单元）功率控制里的角色。OPPO做闪充，快充充电头里的电压电流控制环路离不开PID。

位置式PID控制公式：

u(k) = Kp·e(k) + Ki·Σe(i) + Kd·(e(k) - e(k-1))

其中e(k)是当前误差。比例项P按当前误差大小输出控制量，让系统快速靠近目标；积分项I消除稳态误差，因为只要误差一直存在，积分项就会不断累积；微分项D抑制误差变化速度，防止超调和震荡。

笔试简答可能会问：如果充电电流出现稳态偏差，应该调大哪个参数？答案是增加Ki；如果系统响应太慢，优先调大Kp；如果存在震荡，考虑增加Kd。FOC（磁场定向控制）在OPPO的线性马达驱动场景中会出现。FOC的核心是对三相电流做坐标变换：先是Clarke变换，把abc三相坐标系变到αβ静止坐标系；再做Park变换，变到dq旋转坐标系。在dq坐标系下，d轴和q轴的电流可以解耦控制，常用策略是id=0控制，让q轴电流完全对应电磁转矩。笔试考FOC通常是概念题，问Clark变换和Park变换的作用分别是什么。

需要注意的是，控制算法一般不会出现在通用算法工程师的试卷里，更多是出现在硬件相关的算法岗位上。如果简历里写了马达驱动、充电控制相关的项目，考前一定要把这些概念准备好。

4.4 搜索、推荐与规则引擎：BM25、聚类与Rete

这几项更多对应OPPO的互联网服务方向，比如ColorOS里的应用商店搜索、主题商店推荐、浏览器信息流。

BM25是文本检索里的经典打分函数。公式可以记成：每个查询词的权重乘以词频饱和度因子，再叠加文档长度归一化。笔试可能只要求解释它在做什么：对每个出现在文档中的查询词，计算它对文档相关性的贡献，词频越高贡献越大，但不会线性增长；文档越长，词频的贡献会被惩罚，防止长文档天然占便宜。

聚类的主要作用是做用户分群、物品召回。比如把用户按行为特征聚类成几个群体，然后在每个群体里做协同过滤，比全局计算相似度效率更高。K-Means在推荐系统里的应用很广。

Rete算法是规则引擎Drools的核心。笔试题可能会问“Rete算法的原理和事实匹配过程”，回答框架是：Rete把规则条件拆成原子条件，构建Alpha网络和Beta网络。事实进来后，先经过Alpha网络做单条件匹配，结果保存到alpha memory；然后在Beta节点完成多条件连接匹配，中间结果缓存下来。这样新增事实时，不需要对全部规则重新匹配，只用处理受影响的部分，因此适合大量规则和频繁更新的场景。

这几块内容不需要深入源码，但概念层面要能讲清楚“输入是什么、过程分几步、优点是什么”。

4.5 井字棋与Minimax：博弈题的入门姿势

热词里“井字棋minimax算法实现详解”非常形象——笔试不会真让我写一个完整游戏，但Minimax作为博弈树搜索算法，在简答题和编程题里都有可能出现。

Minimax假设对手永远选最不利于己方的走法。当前玩家最大化自己的收益，对手最小化你的收益。树的叶子节点是胜负或平局得分，回传时交替取max和min。如果加上Alpha-Beta剪枝，可以大幅减少搜索节点数量。

笔试考Minimax通常是给一个简单的博弈树，让你标注每个节点的值。做题要点：从叶子向上，奇数层取最大，偶数层取最小，取决于谁走棋。如果写出伪代码，核心是递归：

def minimax(node, depth, maximizing): if depth == 0 or node.is_terminal(): return node.evaluate() if maximizing: return max(minimax(child, depth-1, False) for child in node.children) else: return min(minimax(child, depth-1, True) for child in node.children)

井字棋本身搜索空间小，适合当例题，笔试看到这类题不要慌，本质就是深搜+回溯。

5. 手撕代码题：几个高频题型的实打实套路

5.1 在线笔试平台与输入输出处理

在线笔试的编程题难点往往不是算法本身，而是输入输出。赛码、牛客这些平台的题目，输入是标准输入，输出是标准输出，和本地IDE里写main函数读文件不一样。

第一件事是掌握多组输入的处理。很多题会写“给定多组测试数据，每组第一行是n”，需要用while(cin>>n)或者while(scanner.hasNext())循环读取。第二件事是确认数据范围：如果n达到10^9，就要警惕int溢出，除法、模运算、中间结果全部用long long。

还有一个小建议：正式笔试开始前，先花2分钟建好本地的代码模板，包括常用的头文件、快读函数、一堆STL的引入。赛码是支持本地编译的，把模板提前写好，能省不少时间。

5.2 TopK与堆排序：一个模板打天下

TopK问题是笔试里出现频率极高的编程题。给一个无序数组，找出第K大的数，或者最大的K个数。解法可以是排序（O(n log n)）、快排partition（O(n)平均）、小顶堆（O(n log K)）。

笔试环境里最稳妥的是小顶堆，因为不容易写错，而且代码量小：

vector<int> topK(vector<int>& nums, int k) { priority_queue<int, vector<int>, greater<int>> minHeap; for (int x : nums) { minHeap.push(x); if ((int)minHeap.size() > k) minHeap.pop(); } vector<int> res; while (!minHeap.empty()) { res.push_back(minHeap.top()); minHeap.pop(); } return res; }

原理是维护一个大小为K的小顶堆，堆顶永远是堆里最小的元素。每来一个新元素，放进堆里，如果堆大小超过K，就弹出堆顶，这样堆里始终保留当前遇到的最大K个数。这个套路背后其实就是堆排序的核心操作——堆化。

如果题目进一步问“这个堆的建堆复杂度是多少”，要能答出来：只对前K个元素建堆是O(K)，后续每个元素push+pop的操作是O(log K)，整体O(n log K)，比排序更快。

5.3 Dijkstra堆优化：图论题的标答模板

图论题里最常出现的就是最短路。题目描述通常很直白：有N个城市、M条路、求从城市1到N的最短时间。直接用堆优化Dijkstra就行。

我在前面给过代码，这里补充几个容易踩的坑：

• 图是稀疏还是稠密？N很大、M不大的时候，必须用邻接表存图，不要用邻接矩阵。
• 堆里存的是pair<距离, 节点>，距离放第一个，因为pair默认按第一个元素排序。
• 用if (d > dist[u]) continue;跳过过期的堆节点，这个剪枝不能省。

如果题目带负权边，Dijkstra就不能用了，要考虑Bellman-Ford或SPFA，但秋招笔试里出现负权边的概率不高，优先保证Dijkstra熟练。

5.4 快速幂与组合数取模：数论题的基本功

赛码和牛客的编程题里数论题不算多，但组合数取模是常客，特别是结合动态规划的时候。组合数C(n, k)的值可能非常大，题目会要求对1e9+7取模输出。

关键点有两个：一是用逆元计算组合数时，n的范围如果小于1e6而且要求大量组合数，可以提前预处理阶乘和逆元；二是如果n很大（1e9级别），就要用Lucas定理。笔试一般考不到Lucas那么深，但快速幂是必备的，因为逆元计算要用它。

long long mod = 1e9 + 7; long long modInv(long long a) { return fastPow(a, mod - 2, mod); }

费马小定理，模数是质数时a的逆元是a^(mod-2)，这个知识点在组合数取模题里高频出现。

5.5 时间复杂度的估算与面试官视角

做编程题之前先看数据范围：n ≤ 10^5，O(n²)大概率超时，得想O(n log n)；n ≤ 10^3，O(n²)可以接受；n ≤ 10^7，基本只能O(n)线性扫一遍。这能帮你快速判断该用什么算法。

面试官或出题人看的是“你能否独立分析问题、选择合适算法、写干净代码”。所以编程题别一上来就写，先想：暴力怎么做？暴力复杂度是多少？能不能用哈希表、堆、二分、并查集优化？把思考过程写进注释里，即使最后没完全过，阅卷时也能看到思路。

6. 备考优先级与我的踩坑复盘

6.1 按目标岗位分配复习精力

我的建议是：别把大量时间花在冷门算法上。DC3、HK算法这类掌握概念就行，真正能拉开差距的是基础算法的熟练度和对业务场景的理解。选择题里大量考察的是“最基础的结论”，比如快排不稳定、K-Means对初始值敏感、KL散度不对称，这些只要复习到位就能拿分。

6.2 我在这次笔试中的三个教训

第一个教训是KMP的next数组浪费了太多时间。题目明明给了定义，我还是下意识用了刷题时习惯的定义，算出来跟选项对不上，又回头重算，白白损失了5分钟。笔试里定义不统一的算法题很常见，务必先读题给的公式。

第二个教训是编程题的数据类型。手撕Dijkstra时，我以为N不超过10^5，距离用int就够了，结果测试用例里路径总长超过int边界，溢出导致部分用例WA。后来凡涉及距离、乘积、累加的题，一律用long long，这个习惯也影响了我后续所有笔试和面试。

第三个教训是多选题的“宁缺毋滥”策略。有些平台多选题多选了会倒扣分，只看正确选项个数给分，这时候不确定的选项就不要选。我一开始按“全部选对才得分”的习惯，漏选了几个，导致2道多选0分。开始前一定看清计分规则。

6.3 给下一届的建议

如果你现在正准备投手机厂商的算法岗，我给几条实操建议：

第一，把手机厂商的业务拆开看。影像、音频、充电、马达、小布助手，每个方向对应的算法栈都不一样，挑自己熟悉的1-2个方向重点准备。投递时不要海投所有算法