考研复试算法备考：从基础原理到手撕代码的完整指南

1. 复试算法到底考什么：先想明白边界才能对症下药

在正式复盘之前，我想先说说最容易被忽视的一件事：复试里的算法，和竞赛刷题、期末考试的算法并不是同一个东西。复试算法考察的是你对基础数据结构和经典算法的理解深度、代码实现能力、以及临场表达思路的清晰度，而不是追求刁钻的难题解法。这一点想明白之后，我的整个复习策略都跟着调整了。

1.1 笔试机试、面试手撕、口头问答三个场景的分层

我把复试算法的考察方式拆成了三条线，分别对应不同的准备重点：

• 笔试/机试：通常是限时的代码题，环境可能是白板在线编辑器，也可能是本地IDE提交。考察重点是能不能在规定时间内跑通正确代码，以及边界情况是否覆盖全面。这时候比拼的是代码熟练度，而不是思路有多惊艳。
• 面试手撕代码：老师可能会当场给你一道题，让你在白纸或白板上写出来。此时老师真正关注的是你的思考过程，先别急着写，先说思路，说复杂度，再落笔。写得慢不要紧，思路混乱是大忌。
• 口头问答：问概念、问原理、问“为什么”和“如果不这样会怎样”。比如“为什么快排最坏复杂度是O(n^2)”“哈希冲突怎么解决”“动态规划和无脑暴力的本质区别在哪”。

这三条线对应的时间分配完全不一样。我当时给自己定的比例是：机试占50%精力，面试手撕占30%，概念问答占20%。如果你报考的院校机试占比极高，这个比例还要再偏压。

1.2 核心考察内容的优先级排序

把近三年我能找到的复试经验帖和回忆题扫了一遍之后，我提炼出一个大概的优先级列表，供参考：

这里特别提醒一下：很多同学把大量时间耗在炫技类算法上，结果复试被一道链表反转问得语无伦次。复试算法首先要保证“基础题不失误，常规题思路清晰，拔高题能写多少写多少”。

1.3 从热搜词反推复试算法的常见范围

我顺手整理了一些算法热搜词，发现它们其实能很好地覆盖复试算法的考察面：归并排序、堆排序、冒泡排序、贪心算法、KMP、A*算法、Tarjan算法、弗洛伊德算法、匈牙利算法、滑动平均滤波、PID算法、粒子群算法、随机森林、线性回归、YOLO、强化学习、BPTT等。

这些词里，前一半是计算机基础复试的高频点，后一半更像是读研阶段工程和科研方向会触达的算法。我的感受是：复试不只是考“你会不会写代码”，更是考“你有没有持续学习算法的能力”，所以基础算法是硬通货，而偏向工程和科研的算法哪怕只是了解原理，也会让老师觉得你有主动扩展的意识。后面我会专门写一节如何把这些扩展话题沉淀成自己的亮点。

2. 复习路线的三个阶段：从“看得懂”到“写得对”

确定范围之后，我给自己排了一个三轮复习计划。整个周期大约八周，总时间不算长，但节奏感很重要。我见过不少同学第一周猛刷两百题，第二周开始疲软，第三周直接弃疗，最后靠考前突击的“玄学”。这不是健康的复习方式。复试算法是持久战，我更推荐用**“基础轮—专题轮—模拟轮”**的递进结构。

2.1 基础轮：把数据结构和复杂度计算打透

第一轮不碰难题，只做两件事：刷教材基础知识和我之前写过的代码模板。数据结构部分，我最常用的是严蔚敏版的框架，再加上一些我觉得写得更贴近实践的笔记类资料。

这一轮我给自己定了几个硬性指标：

• 数组、链表、栈、队列、哈希表、树、堆、图，能手写代码实现插入、删除、查找的完整过程；
• 每个常用操作能准确说出平均复杂度、最坏复杂度、额外空间复杂度，并且能解释为什么；
• 排序算法必须能手撕冒泡、插入、选择、快排、归并、堆排，尤其是快排的递归写法和非递归写法都要能立即写出来；
• 复杂度分析必须达到“看一眼代码，就能用Master定理或代入法手算出主项”的程度。

为什么复杂度这么重要？因为复试问答里老师太爱追问复杂度了。你写一个暴力解法，老师一定会问“还能不能再优化”，这个问题的核心就是你懂不懂复杂度从哪里来、瓶颈在哪。

2.2 专题轮：按模块攻破经典算法模型

第二轮开始刷专题，每个模块花三到四天时间集中打穿。我的专题顺序是：

1. 二分查找和二分答案：注意边界、死循环、整数溢出；
2. 链表操作：反转、合并、环检测、相交节点、删除倒数第k个节点；
3. 二叉树：三种遍历的递归与非递归、层序遍历、最近公共祖先、路径和；
4. 图论：邻接表建图、DFS/BFS、拓扑排序、最短路（Dijkstra、Floyd）、并查集；
5. 动态规划：线性DP、背包DP、区间DP、最长子序列、编辑距离；
6. 字符串：KMP、字符串哈希；
7. 其他经典：贪心、滑动窗口、双指针、模拟。

这个阶段我用的刷题平台以LeetCode为主、牛客为辅。牛客适合针对性练习面试场景，LeetCode的题目分类更清晰、答案社区更成熟。每天固定刷四到六题，遇到卡了两个小时还没思路的题，我会直接看题解，但看完之后一定会自己重新写一遍完整代码，并且把题解的思路用自己的语言讲一遍。这样才能从“哦这题我会做”变成“这题我讲得清楚为什么这么想”。

2.3 模拟轮：给自己制造真实的考场压力

到最后两周，我不再追求新题量，所有精力都用来做限时模拟。

具体做法是：每天上午固定拿出两个小时，找一套目标院校往年的机试题或者LeetCode类似的组合题，完全按照考试环境来：只开一个编辑器，不开题解、不查资料，时间一到立即停笔，然后对照标准输入输出自己判分。

这个过程的收益比想象中大得多。我发现自己在无人监控时容易犯的毛病：想复杂了、不敢暴力、纠结于一行优雅写法而浪费十分钟、边界条件只测了样例没测全。这些问题不模拟根本暴露不出来。

3. 高频考点逐个拆解：原理、手撕模板、易错点

这一节是全文最核心的部分。我不会把所有算法都长篇大论，而是挑出我在复试复习过程中实际花时间最多、出现频率也最高的几类，分享我自己的理解维度和踩过的坑。

3.1 排序算法：别以为会写就真懂了

排序是最容易让考生“轻敌”的考点。很多人冒泡、快排代码都背得滚瓜烂熟，但被问“快排为什么不稳定”“归并的额外空间复杂度到底是多少”“堆排和快排实际效率差在哪”就卡壳。复试老师对排序的追问通常都不是代码本身，而是背后这些和工程选择有关的问题。

我的复习提纲是：先抓住稳定性、空间复杂度、时间复杂度这三大属性，然后针对每种排序手写标准实现。

这里我特别想说归并排序的额外空间：它需要O(n)的临时数组来merge，这在机试和面试里都是高频追问点。如果你能顺便说出“可以用原地归并优化空间，但实现复杂且会退化”，就已经超过很多人了。

另外，手撕代码时一定要让线段清晰，一个函数只做一件事。我复习期间就是按模板化的方式整理代码，比如快排的partition函数单独提取出来，堆排分为adjustHeap和heapSort两层。这样在考场上即使紧张，写错单步逻辑的几率也会降低。

3.2 字符串匹配：KMP的真正价值在于理解next数组

KMP算法几乎是科班复试必考的概念题。让我死记硬背的时期根本记不住，后来我换了个思路：只看next数组到底在存什么。

简单来说，KMP在失配时利用“前缀=后缀”的信息，让模式串不用退回开头重新匹配。每次失配，主串指针不动，模式串指针跳到之前匹配好的公共前后缀的下一位置。真正需要理解的是：

• next[i]表示“当模式串第i位匹配失败时，模式串跳转到哪一位继续尝试”；
• 求解next的过程本身就是一个“模式串自己匹配自己”的过程；
• 时间复杂度是O(m+n)，因为两个指针各自不回头。

复试被追问的变体还有“next数组怎么求”“能不能用KMP解决字符串循环节问题”“如果求最长相等前后缀怎么办”。这些我建议都提前整理成文字笔记，面试手撕时就算写不出来完整KMP，能准确讲出next的思路和复杂度，也比支支吾吾要强很多。

3.3 搜索与图论：DFS/BFS是面试问不出死角的分水岭

搜索算法看起来简单，但复试时老师的追问深度往往很惊人。常见的追问链是：

• “给定一个迷宫，怎么求从起点到终点的最短路径？”
• “你会用BFS，那BFS需要在什么条件下才能保证第一次找到的路径最短？”
• “如果图中有权重，你怎么处理？Dijkstra和BFS的关系是什么？”
• “如果没有启发信息，你会怎么做？你会考虑A*吗？”

这一连串问题其实是层层递进的。我在复习时就把DFS、BFS和Dijkstra、A*放在同一个专题里对比，画了一张纯文字对照表：

复习到这里，我最深的体会是：别把算法当成孤立的“题”，而是当成一整套解决问题的工具链。复试老师的很多问题并没有明确说“用BFS”，但如果你的脑子里没有一个算法地图，现场临时拼凑是拼不出来的。

至于Tarjan、Floyd、匈牙利这类稍微进阶的图论算法，我是在基础题都掌握得很熟之后才额外补充的。Floyd的原理非常简洁，三重循环动态规划，写起来十几行，适合作为“我了解多源最短路”的谈资；Tarjan则用来求强连通分量和割点，性价比也高；匈牙利算法是二分图最大匹配的经典解法，思路是“增广路径”，背熟模板有好处的。

3.4 贪心算法：别掉进“看起来对”的陷阱

贪心算法在复试中出现的频率非常高，因为代码短、思路直接，特别适合做手撕题。但它也是最容易被追问“为什么贪心是对的”的算法。

经典例题比如“会议室安排，尽可能安排更多的会议”“跳跃游戏”“分发饼干”等，绝大多数人的误区是：能AC就完了，根本没想过证明。但复试老师一定会问：“你凭什么认为贪心能得到最优解？”

我的应对策略是为每个贪心题至少准备一种证明思路，常见的有三种：

• 交换论证：假设最优解和贪心解在某一步不同，交换后不劣；
• 归纳法：证明贪心选择后子问题仍为同类型问题；
• 反证法：假设贪心不优，推出矛盾。

拿区间调度来举例，按结束时间从早到晚排序，选择结束时间最早的区间，然后删掉冲突区间，如此往复。证明核心是“最早结束的区间一定存在于某个最优解中”，这是一个典型的交换论证。把这个逻辑讲清楚，比写一百遍代码都有效。

3.5 动态规划：从“会写状态转移”到“会讲为什么”

动态规划是复试拉开差距的一块。考察方式通常不是简单背模板，而是给定一个实际问题，让你现场设计DP。

我最推荐的复习方法是：把状态定义、转移方程、初始条件、遍历顺序、复杂度五个要素完整写出来，而不是只写AC代码。例如最长上升子序列这道老题，我复盘时都会把每个要素写在笔记里：

• 状态：dp[i]表示以第i个元素结尾的最长上升子序列长度；
• 转移：dp[i] = max(dp[j] + 1)，其中j < i且a[j] < a[i]；
• 初始：dp[i] = 1；
• 遍历顺序：从左到右；
• 复杂度：O(n^2)，可以优化到O(n log n)。

复试时你要能做到“直接说结论并解释状态设计的原因”。为什么dp[i]要定义成“以i结尾”？因为我们想利用之前的子结果，而“结尾”信息对应了转移的依赖条件。这些表达上的细节，才是手撕代码时的加分项。

经典模型我整理了一个清单：0-1背包、完全背包、最长回文子串、编辑距离、最长公共子序列、打家劫舍、股票买卖（含冷冻期）、矩阵路径最小和、爬楼梯变体。每个模型都要能写状态转移并能回答“为什么能否从状态中减一维”这类问题。

4. 手撕代码的临场方法：我被现实教育过的五个细节

复习阶段说得再多，最后还是要在考场上写出来。这一节我想分享我在模拟和真实场景中被“教育”过的几个细节，希望能帮大家少踩坑。

4.1 先讲思路，再动手写代码

我知道很多人会有一个执念：看到题就立刻想写代码，觉得“边写边想”显得手快。但在复试这种高压场景里，这种习惯非常危险——写着写着发现思路铺不开，或者漏掉一个重要分支，回头改的时候整块代码都乱掉了。

老师更欣赏的方式是：先把问题复述一遍，确认输入输出的边界，然后说一句话介绍思路，再快速分析复杂度，最后开始写。这个过程不超过一分半，但能让老师全程跟上你的节奏。如果有人问“为什么用BFS而不用DFS”，你也能当场回答出“因为无权图BFS能找到最短路且层数递增”。

4.2 边界条件是手撕代码的隐形分水岭

模拟轮里我吃过最大的亏就是因为边界条件丢分。lease指针返回值、数组越界、字符串空串、图节点数为0、整数溢出、除数为0——这些都在复试题目里出现过，而且一旦踩中就是全盘崩溃。

我给自己定了一个检查清单，写完后逐项排查：

• 输入为空/长度为0/只有一个元素时是否正常；
• 循环终止条件是否会出现死循环或提前终止；
• 指针操作是否可能导致空指针或悬挂；
• 大数相加是否溢出；
• 树或链表操作中是否忘记连指针或漏更新指针；
• 输出格式是否与题目要求完全一致。

提前测完这六项，代码的“存活率”至少在模拟中提升了不少。

4.3 代码规范：别让老师在你写的代码里找自己

复试手撕代码不追求优雅到极致的缩写，追求的是清晰、规范、可读。变量名别用i、j、k满地跑，至少用n、m或left、right这样的语义化名称；函数最好能拆成带名字的小函数；注释不用写满，但关键步骤点一句也没坏处。

面试现场经常出现的情况是：某个地方卡壳了，老师会往你的代码旁边指一下说“你这行是不是有点问题”。如果你的变量名语义清晰，这时候你跟老师的交流成本很低；如果全是a、b、c、d的临时变量，老师念起来都费劲，想帮你都没法帮。

4.4 优化方向的展示：从暴力到最优解的层进式阐述

我在模拟面试中特别练过一件事：写完一个解法之后，主动补充“还有更优解法”的能力。

复试题目往往不会只要求你会一种解法，老师会追问“能不能再优化”。如果你一开始就从最优解讲起，会显得说服力不够；如果你只会暴力解，又容易显得深度不足。最好的策略是先讲暴力解和它的复杂度，再说“这里我可以通过XX优化到O(n log n)”，并同步说明优化后的空间是O(1)，然后直接把优化代码写出来。

这样既展示了覆盖能力，也让老师看到你有优化的敏感度，而不是把思路藏到最后等对方问。

4.5 复盘的输出方式：把每次练习都变成一个小项目

这部分是我认为这一整轮复习里价值最高、也最容易被忽略的。我每周会花一个晚上，把本周做过的题目整理成一份笔记，格式如下：

• 题目标题和题号；
• 我的第一想法和分析过程；
• 正确解法和复杂度分析；
• 我写错或卡住的具体位置；
• 如果复试再问，我会怎么组织回答。

这套笔记积累到最后，已经变成了一本可复盘的算法手册。考前冲刺我只翻自己写过的易错点，比盲目刷题效率高得多。

5. 复试之后的延伸价值：工程算法和科研方向的额外沉淀

复试算法复习这件事，并不随着成绩公布而结束。我在准备过程中发现，热搜词里那些看似和复试无关的方向——PID控制、滑动平均滤波、粒子群算法、随机森林、YOLO、强化学习——其实是读研阶段会遇到的真实算法场景，提前留个心是很有意义的。

5.1 复试中的算法延伸题可能来自这些方向

有些学校复试面试会结合导师研究方向提问。比如你报的是智能控制方向，老师可能随口问一句“知道PID吗”；你报的是数据挖掘方向，老师可能聊到聚类、线性回归或随机森林；你报的是图像处理方向，语义分割和YOLO可能成为高频词。

我的建议是提前看目标导师最近三年的论文关键词，把和它们关联的算法名称至少做到“能说出原理一句话、能说出适用场景、能说出和基础算法的关系”，不需要像基础算法那样手撕代码，但也不能完全不沾边。

• PID算法的核心是比例、积分、微分三个环节，用误差做反馈调整；
• 滑动平均滤波是用来抑制噪声的，多用于传感器数据预处理；
• 粒子群算法属于群体智能优化，靠“个体历史最优+群体历史最优”联合更新位置；
• 随机森林是决策树的集成学习，原理是训练多棵树再投票；
• YOLO将目标检测看成回归问题，一次前向推理直接输出边界框和类别；
• BPTT是循环神经网络按时间展开的反向传播，本质上是链式法则的叠加。

这些方向如果事先做过功课，复试时哪怕只是自然带一句“我了解过”，给人的整体印象也会不一样。

5.2 从“会基础算法”到“能用工程算法”的连接

复试结束后我也在反思：考研复试考算法，本质上是筛选具备“抽象问题、设计解法、实现验证”的人。基础算法和工程算法并不割裂。比如你把PID当成一个简单的反馈闭环，把滑动平均滤波当成一个固定窗口的移动和值计算，再回头看数据结构里的队列操作，就会发现它们其实是一层一层叠上去的。

这种视角让我后来真正面对工程和科研课题时，少了很多“不知道从哪里入手”的焦虑。算法复习留下的最大财富，不是背下了多少模板，而是建立了一种“看到一个问题，先去拆解它的输入、输出和约束，再选择合适算法”的思维方式。

5.3 为什么我建议把复习笔记坚持写到复试之后

很多同学复试结束就把算法笔记扔进角落，我觉得挺可惜。因为读研阶段你会发现：看论文需要算法基础，跑实验需要改代码，甚至帮导师做横向课题的时候，可能突然要用到之前学过的一个冷门算法。如果当时把笔记完整保留下来，按主题和难度打包好，之后随时都能检索。

我自己的做法是把所有笔记按标签分类，例如“排序”、“图论”、“DP”、“字符串”、“工程算法”，每个标签下再按“原理→模板→易错点→例题”组织。复试后我又陆陆续续补充了一些读研阶段实际用到的算法，这份文档慢慢成为我自己的算法手册。

6. 最后一个建议：把复试算法当成一场思想方法训练

准备复试算法的过程，其实不只是为了打赢一场考试。它逼着你把模糊的直觉变成严格的逻辑，把背过的模板变成能在纸上重新推导出来的公式，把看到难题想放弃的冲动变成按部就班拆解的耐心。

我最大的感受是，所有算法题都像在训练一种“提问的习惯”：这个问题的输入到底是什么？边界在哪？如果数据量变大，我的解法还成立吗？有没有更优的时空权衡？这些问题不只在机试里有，在做研究、写项目、读论文时同样成立。

所以我的最终建议是：不用把复试算法当成“最后一关”，而是当成一种提前预习研究生生活的思维课。当你真的把快排的partition原理理解到可以当场推导，把动态规划的状态设计习惯练到看到陌生题也能冷静建模，复试本身就不会再是一件让人紧张的事情。

说到底，复试算法记录的不只是一堆代码，更是一种解决问题的思维方式。希望这份记录对你也有用。