精选文章 - 算法学习第12天（续）
进阶算法学习资源推荐
1. 宫水三叶的刷题笔记 - 动态规划专题
宫水三叶（三叶解题）是我个人极力推荐的中文算法博主。她的刷题笔记在 GitHub 上广受好评，尤其擅长 动态规划（Dynamic Programming, DP） 的讲解。DP 是算法面试中的重中之重，也是很多同学的噩梦——但她的讲解逻辑清晰、层层递进，能帮你真正理解 DP 的核心思想。
推荐理由：她的笔记不只给答案，而是从 状态定义（State Definition） 开始，解释为什么这样定义、转移方程（Transition Function）怎么来的。很多同学做 DP 题是背套路，她教的则是思考方式。
适合人群：DP 入门困难户、想提升解题思维深度的同学。
2. 英文原版：Grokking Dynamic Programming - Educative.io
如果想要一份系统化的英文 DP 课程，Grokking Dynamic Programming 是绝佳选择。这门课程将 DP 问题分为多个模式：斐波那契数列模型、0/1 背包模型、最长公共子序列模型、字符串编辑距离模型 等，每种模型配有大量练习题和可视化解析。
推荐理由：课程采用 渐进式学习 设计，从最简单的 DP 问题开始，逐步引入复杂变体。交互式编程环境让你可以直接在浏览器中敲代码，无需配置环境。面试前冲刺阶段，这门课程效率极高。
适合人群：有一定算法基础、想在 DP 专题做针对性提升的同学。
3. 论文解读：MapReduce - 分布式计算的奠基之作
想要理解现代大数据处理的底层逻辑？那就不能不读 Google 的经典论文 “MapReduce: Simplified Data Processing on Large Clusters”。这篇 2004 年发表的论文提出了 MapReduce 编程模型，是分布式计算领域的里程碑。
核心概念速览：
- Map 阶段：将原始数据切分成若干 key-value 对，进行并行处理
- Shuffle 阶段：将 Map 输出按 key 分区、排序、合并
- Reduce 阶段：对相同 key 的 value 列表进行聚合操作
为什么重要：理解 MapReduce 有助于你理解 Hadoop、Spark 等大数据框架的设计哲学，也是面试中展示系统设计能力（System Design）的重要素材。
常见陷阱与进阶建议
陷阱一：DP 状态定义不合理 很多同学做 DP 题时，状态定义过于复杂，导致转移方程写不出来。一个通用原则：选或不选、维度从小到大。先尝试一维 DP，如果不够用再扩展到二维。
陷阱二：忽视空间复杂度优化 很多人满足于 O(n²) 时间、O(n²) 空间的解法，却不知道很多 DP 问题可以 空间降维 到 O(n) 甚至 O(1)。面试中如果能主动提出空间优化，会给面试官留下深刻印象。
陷阱三：递归实现不熟悉 很多 DP 解法可以用 记忆化递归（Memoization） 实现，代码更简洁、容易理解。但如果不熟悉递归栈（Call Stack）的工作原理，容易出现栈溢出（Stack Overflow）问题。
实战技巧：
- 做 DP 题前，先在纸上写出状态转移方程，再开始写代码
- 空间优化时注意是从前一个状态转移还是从更早的状态，避免覆盖还未使用的数据
- 系统设计面试中，MapReduce 模型可以用来拆解大规模数据处理问题
今日练习建议
结合今天的资源，推荐以下练习路径：
入门路线：宫水三叶 DP 笔记 → 两道简单 DP（爬楼梯、最小路径和）→ 理解状态转移
进阶路线：Grokking DP 课程 → 0/1 背包问题专项 → 字符串编辑距离问题
拓展路线：阅读 MapReduce 论文 → 了解分布式算法设计思想 → 思考如何在单机上模拟分布式处理
每天进步一点点，算法能力稳扎稳打 💪
有问题欢迎在评论区交流，我们一起进步！