一、基础算法

1. 排序算法

比较类排序

• 基础型：冒泡排序、插入排序、选择排序、希尔排序、鸡尾酒排序、梳排序、折半插入排序。原理简单，适用于小规模或特殊场景，平均时间复杂度多为 $O(n^2)$。

• 高效型：快速排序（含双轴快排）、归并排序、堆排序、块排序 (BlockSort)、Pdqsort、GrailSort、OrsonSort。平均时间复杂度 $O(n\log n)$，是工业界标准库的主流实现，多为自适应混合排序，结合多种排序算法优势。

非比较类排序

• 核心型：计数排序、桶排序、基数排序（MSD/LSD）。基于数值范围而非比较排序，数据范围有限时可达线性复杂度。

• 优化型：基数排序 SIMD 加速、计数排序负数处理、基数排序链式实现：针对非比较排序的工程优化，提示实际性能与适用范围。

外部 / 分布式排序

• 多路归并排序、锦标赛排序、置换选择排序：处理内存无法容纳的大数据量排序，基于外存分块处理。

• MapReduce 排序、Flink 流式排序、Hive 分桶排序：分布式计算框架下的排序实现，应对海量数据场景。

2. 查找算法

基础查找

• 顺序查找、二分查找、斐波那契查找、插值查找、三分查找（单峰函数场景）：基于有序或无序序列的查找方案，二分查找是最常用的有序查找，三分查找用于单峰函数极值求解。

高级查找

• 哈希查找、跳表查找、红黑树查找、k-d 树近邻查找、插值查找边界优化：不同数据结构对应的查找方案，分别适配哈希、有序链表、平衡树、多维空间等场景。

3. 基础解题技巧

• 递归与分治、迭代、模拟：最基础的算法实现范式，分治将大问题拆分为子问题求解。

• 双指针、前缀和 / 差分、摩尔投票法、原地哈希、滑动窗口、区间合并、贪心构造：算法题中常用的技巧型方法，通过巧妙的遍历与数据组织降低时间复杂度。

二、字符串算法

1. 字符串匹配

• KMP 算法：通过前缀函数实现单模式串线性匹配，避免暴力匹配的回溯。

• Rabin-Karp 算法：基于字符串哈希的匹配算法，适合多模式匹配与长文本场景。

• BM 算法：从模式串尾部反向匹配，配合坏字符与好后缀规则，实际文本中效率高于 KMP。

• Sunday 算法：BM 的简化变体，匹配失败时关注文本下一个字符，实现简单且效率优秀。

• AC 自动机：多模式串匹配算法，基于 Trie 构建失败指针，可一次性匹配多个模式串。

• Shift-Or 算法、Two-Way 算法：两类高效单模匹配算法，前者基于位运算，后者是线性时间的最优算法之一。

• 模糊匹配（编辑距离限制）：允许一定编辑距离内的近似匹配。

2. 字符串索引相关算法

• 字典树 (Trie)：以字符为节点的前缀树，用于前缀匹配、词频统计。

• 双数组 Trie：Trie 的紧凑实现，大幅节省空间同时保持查询效率。

• 后缀自动机：状态数线性的字符串自动机，可高效处理子串计数、出现次数等问题。

• 广义后缀自动机：扩展到多个字符串的后缀自动机。

• 后缀树：基于所有后缀构建的前缀树，功能强大但空间开销大。

• 回文自动机：专门处理回文子串的自动机，可在线性时间统计所有回文子串。

3. 字符串处理与分析

• 字符串哈希：将字符串映射为哈希值，用于快速比较与匹配。

• Manacher 算法（最长回文子串）：线性时间求解字符串的最长回文子串。

• 后缀数组构建、LCP 数组构建：后缀数组将所有后缀排序，LCP 数组记录相邻后缀最长公共前缀，是字符串处理的强力工具。

• SA-IS 算法（线性后缀数组）：线性时间构建后缀数组的最优算法之一。

• 字符串最小表示法：线性时间求解字符串循环同构的最小字典序形式。

• 子串出现次数统计、字符串压缩（RLE/LZ77）：字符串的统计与压缩应用。

• 编辑距离（Levenshtein 距离、带权编辑距离）、编辑距离路径还原：衡量字符串相似度，可还原具体编辑操作。

三、图论算法

1. 图的遍历

• 深度优先搜索 (DFS)、广度优先搜索 (BFS)：图遍历的两种基础方式，是绝大多数图算法的底层框架。

• 双向 BFS：从起点与终点同时搜索，大幅缩小搜索空间，提升路径查找效率。

• 迭代加深 DFS：结合 DFS 的空间优势与 BFS 的最优性，逐步加深搜索深度。

• A \ 启发式搜索*：引入启发函数估计剩余代价，优先搜索更有希望的分支，提升路径搜索效率。

• IDA\：迭代加深与 A \ 结合，兼顾空间效率与启发式优化。

• D Lite*：动态路径规划算法，适用于环境动态变化的场景，如机器人导航。

2. 最小生成树

• Prim 算法、Kruskal 算法、Boruvka 算法：三种经典最小生成树算法，分别基于加点、加边、分治思想实现。

• 最小生成树增量更新、瓶颈生成树：扩展应用，前者处理边动态变化的场景，后者求解最大边权最小的生成树。

3. 最短路径

单源最短路径

• Dijkstra 算法（堆优化）：求解非负权图单源最短路，堆优化后复杂度 $O(m\log n)$。

• Bellman-Ford 算法：可处理负权边并检测负环，时间复杂度 $O(nm)$。

• SPFA 算法：Bellman-Ford 的队列优化版本，在稀疏图上效率更高。

• Dial 算法：针对边权为小整数的非负权图，基于桶排序实现近似线性复杂度。

多源最短路径

• Floyd-Warshall 算法：动态规划思想，可求解任意两点最短路，支持负权边，复杂度 $O(n^3)$。

• Johnson 算法：通过重赋权将负权图转化为非负权图，再多次运行 Dijkstra，适合稀疏图多源最短路。

4. 拓扑排序

• Kahn 算法、DFS 逆序法：两种求解有向无环图 (DAG) 拓扑序的经典方法，可同时检测图中是否存在环。

• 动态拓扑排序、拓扑排序环定位：扩展能力，处理边动态变化与环定位场景。

5. 关键路径

• AOE 网分析：在带权有向无环图中求解项目的最短完成工期。

• 最早 / 最晚发生时间计算、关键活动识别：通过正向递推最早时间、反向递推最晚时间，识别决定工期的关键活动。

6. 网络流

最大流算法

• Ford-Fulkerson 算法：最大流的基础思想，通过不断寻找增广路增大流量。

• Dinic 算法：基于分层图与当前弧优化的增广路算法，是工业界最常用的最大流实现。

• ISAP 算法、HLPP 最高标号预流推进：两类更高效的最大流算法，HLPP 在稠密图上优势明显。

最小割算法

• 最小割最大流定理：建立最大流与最小割的等价关系，可通过最大流求解最小割。

• 全局最小割（Stoer-Wagner 算法）：求解无向图的全局最小割。

• 割点割边（Tarjan 算法）：求解无向图的割点与桥，属于图连通性分析范畴。

费用流算法

• 最小费用最大流（SPFA+EK）：在最大流基础上优化费用，每次寻找费用最小的增广路。

• 上下界网络流、带斜率的费用流：扩展模型，处理更复杂的流量约束场景。

7. 二分图相关

• 二分图判定：通过染色法判断图是否为二分图。

• 匈牙利算法、Hopcroft-Karp 算法：求解二分图最大匹配，后者通过多路增广效率更高。

• 带权二分图匹配（KM 算法）：求解二分图最大权完美匹配。

• 二分图最大权闭合子图、最小点覆盖与最大独立集：基于二分图匹配的定理应用，可转化为网络流求解。

8. 连通性相关

• 强连通分量（Tarjan/Kosaraju/Gabow 算法）：求解有向图的强连通分量，Tarjan 基于一次 DFS 实现，应用最广。

• 缩点重构 DAG：将强连通分量缩为单点，把原图转化为 DAG 以简化问题。

• 2-SAT 问题：布尔可满足性问题的特例，可通过强连通分量高效求解。

• 双连通分量（点 / 边）：求解无向图的点双连通与边双连通分量。

• 动态连通性、k – 连通性、边连通度计算：连通性的扩展问题，处理动态图与连通度度量。

9. 特殊图算法

• DAG 最长路径：在有向无环图上基于拓扑序求解最长路径。

• 树的重心、树的直径：树的两个核心属性，分别对应删除后子树最大规模最小的节点、树上最远两点距离。

• LCA（最近公共祖先）倍增 / 树链剖分实现：求解树上两点最近公共祖先的经典算法，倍增易实现，树链剖分查询更快且可结合其他树操作。

四、数学与计算几何算法

1. 数论算法

基础数论

• 最大公约数 (GCD)/ 最小公倍数 (LCM)：数论基础运算，求解两整数的最大公共约数与最小公共倍数，核心通过辗转相除法实现。

• 扩展欧几里得算法：在求解 GCD 的同时算出贝祖等式的整数解，是求解模逆元、线性同余方程的核心工具。

• 贝祖定理：线性不定方程 ax+by=c 有整数解的充要条件是 gcd(a,b) 整除 c；且一定存在整数解使得 ax+by=gcd(a,b)，是数论方程求解的理论基础。

素数相关

• 素数判定（米勒 – 拉宾算法）：概率性素性测试算法，通过多轮基测试可在极低错误率下快速判定大数素性，是大数素性判断的工业标准。

• 埃氏筛 / 线性筛 / 区间筛：批量生成素数的三类算法；埃氏筛原理简单，线性筛（欧拉筛）保证每个合数仅被筛一次，达到线性复杂度；区间筛用于求解大数值区间内的素数。

• 质因数分解（Pollard-Rho 算法）：基于随机化与生日悖论的大数分解算法，期望时间复杂度约为 $O(n^{1/4})$，可快速找到合数的非平凡因子，是大数质因数分解的核心方案。

幂运算与模运算

• 快速幂：通过二进制拆分指数，将幂运算从 $O(n)$ 优化至 $O(\log n)$，几乎所有模运算场景都会配合使用。

• 矩阵快速幂：将快速幂思想扩展到矩阵运算，用于加速线性递推数列（如斐波那契）的求解。

• 快速乘：模拟二进制拆分乘法，避免大数相乘时的数值溢出，适用于大模数场景。

• 模逆元：模运算中的 “除法等价操作”，常用于分数取模，可通过扩展欧几里得算法或费马小定理求解。

• 中国剩余定理：求解一元线性同余方程组，给出模数互质场景下的通解公式。

• 模线性方程求解：求解形如 $ax \equiv b \pmod{m}$ 的同余方程，基于扩展欧几里得算法实现。

• 高次同余方程（BSGS 算法）：全称 Baby-Step Giant-Step（大步小步算法），用于求解离散对数问题 $a^x \equiv b \pmod{p}$，时间复杂度 $O(\sqrt{p})$。

2. 组合数学算法

• 排列组合计算：基础计数工具，求解有序排列与无序组合的方案数。

• 卡特兰数应用：经典组合数列，可用于括号匹配、二叉树结构计数、凸多边形三角划分等场景。

• 卢卡斯定理：用于大组合数对小质数取模，将大组合数拆解为小组合数的乘积取模。

• 容斥原理：通过 “加加减减” 对重叠集合计数去重，是处理多约束组合计数的核心方法。

• 斯特林数（第一 / 第二类）：第一类描述将 n 个元素排成 k 个轮换的方案数；第二类描述将 n 个元素划分为 k 个非空集合的方案数。

• 贝尔数：n 个元素的集合划分总方案数，等于第二类斯特林数的前缀和。

• 组合数递推与预处理：通过杨辉三角递推或阶乘 + 逆元打表，实现组合数的快速查询。

3. 计算几何算法

基础几何计算

• 点线面关系判定、向量叉积 / 点积：计算几何底层工具；点积用于计算投影、夹角，叉积用于判断转向、面积与线段位置关系。

• 点到直线距离、线段相交判定：基于向量运算的基础几何判定，是复杂几何算法的底层支撑。

核心算法

• 凸包算法（Graham 扫描 / Andrew 算法）：求解平面点集的最小凸多边形；Graham 基于极角排序扫描，Andrew 按坐标双端扫描，实现更稳定。

• 三维凸包：将凸包问题扩展到三维空间，求解空间点集的最小凸多面体。

• 最近点对（分治算法）：采用分治思想拆分点集后合并求解，时间复杂度 $O(n\log n)$。

• 旋转卡壳（最远点对）：用一对平行线 “卡住” 凸包并旋转，可在线性时间内求解凸包直径（最远点对）、宽度、最小外接矩形等几何属性。

扩展算法

• 多边形凹凸性判断：基于顶点叉积符号的一致性，判断多边形是否为凸多边形。

• 平面点集 Voronoi 图：将平面划分为多个区域，每个区域内的点到对应种子点距离最近，广泛应用于地理、图形学领域。

五、策略算法

1. 动态规划

核心类型

• 线性 DP：状态沿线性结构转移，是动态规划最基础的形式，典型如背包、序列问题。

• 区间 DP：以区间为状态单位，通过小区间合并求解大区间问题，如石子合并、回文子串计数。

• 树形 DP：在树结构上进行状态转移，通常通过后序遍历自底向上计算。

• 状态压缩 DP：用二进制表示集合状态，处理小规模集合的选排问题。

• 数位 DP：针对数字位数设计状态，常用于求解满足特定约束的数字计数问题。

• 概率 DP：状态转移附带概率，用于求解随机过程中的期望、概率问题。

• 博弈论 DP（Nim 游戏）：基于博弈状态转移求解胜负态，Nim 游戏是其经典模型。

• 插头 DP（网格问题）：高级状压 DP，通过轮廓线与插头记录连通性，求解网格上的回路、路径覆盖等复杂连通性问题。

• 基环树 DP：针对带一个环的树（基环树）的动态规划，通常先断环成树再处理。

• 换根 DP：通过两次遍历实现树上所有节点作为根的答案求解，避免重复计算。

优化技巧

• 状态压缩：用二进制等紧凑形式表示状态，压缩状态空间。

• 单调队列优化：维护单调队列快速求解滑动窗口最值，优化一类 DP 转移。

• 斜率优化：将转移方程转化为斜率形式，用凸包维护最优决策点。

• 四边形不等式优化：利用决策单调性，将区间 DP 从 $O(n^3)$ 降至 $O(n^2)$。

• 滚动数组：仅保留相邻状态，大幅降低空间复杂度。

• 决策单调性优化：利用最优决策点的单调性，减少转移枚举量。

• 矩阵快速幂优化线性 DP：将线性递推 DP 转化为矩阵幂运算，加速大步数求解。

• 前缀和优化多维 DP：通过前缀和快速计算区间和，优化求和类转移。

经典问题

• 背包系列：包含 0-1 背包、完全背包、多重背包、分组背包、二维费用背包、有依赖的背包等，是动态规划的经典模型族。

• 序列问题：包括最长公共子序列 (LCS)、最长上升子序列 (LIS)、编辑距离、最长回文子序列、最长公共子串、最大子段和等经典线性 DP 问题。

2. 贪心算法

核心应用场景

• 活动选择、霍夫曼编码、最小生成树（Prim/Kruskal）、分数背包、区间覆盖、带截止时间的任务调度，均为贪心算法的经典应用，通过每一步选择局部最优推导全局最优。

关键支撑

• 贪心选择性质：全局最优可通过一系列局部最优选择得到；最优子结构：问题最优解包含子问题最优解。二者是贪心算法正确性的必要条件，需通过证明或反例构造验证适用性。

3. 回溯与剪枝

经典问题

• 组合排列、N 皇后、数独求解、子集生成、单词搜索、正则表达式匹配、括号生成、岛屿数量，均为深度优先搜索 + 回溯试错的典型场景，通过枚举所有可能并回退状态求解。

优化技巧

• 可行性剪枝：提前排除不可能得到解的分支；最优性剪枝：当前分支已无法优于已知最优解时提前终止；另有记忆化回溯、双向回溯、剪枝顺序优化等手段，用于压缩搜索空间。

4. 分支限界

• 优先队列分支限界：以广度优先为基础，用优先队列按代价排序拓展节点，优先搜索更优分支。

• 动态界值更新：实时更新上下界，提升剪枝效率。

• 典型应用：TSP 问题求解、0-1 背包优化，用于求解组合优化问题的精确最优解。

5. 随机化算法

• 随机快速排序：随机选取基准元素，消除最坏输入场景，平均时间复杂度稳定在 $O(n\log n)$。

• 蒙特卡洛算法：运行时间固定，结果以一定概率正确，适用于可容忍小概率错误的场景。

• 拉斯维加斯算法：结果必定正确，运行时间随机，不断重试直到得到正确解。

• 舍伍德算法：通过随机化消除输入的最坏情况，保证算法平均性能稳定。

六、工程化算法优化技巧

1. 性能优化相关算法

• 内存对齐优化、缓存局部性优化、向量化编程（SIMD/AVX）、批量操作优化、延迟计算、写时复制 (COW)、零拷贝技术、预取优化：从硬件特性、内存访问、计算模式等维度提升程序运行效率，是工业级代码性能优化的核心手段。

• 复杂度分析（时间 / 空间）：评估算法资源消耗的基础方法；Amdahl 定律：计算并行系统的理论加速比上限，指导并行优化方向。

2. 并发与分布式算法

• 无锁算法、分段锁 / 细粒度锁、乐观锁 / 悲观锁选型：不同粒度的并发控制方案，平衡并发性能与数据一致性。

• 分布式一致性算法（Raft/Paxos）：解决分布式系统多节点数据一致性问题，Raft 更易工程实现。

• 分布式锁（Redis/ZooKeeper）：分布式环境下实现互斥访问的通用方案。

• 数据分片与负载均衡算法：将数据与流量均匀分配到多节点，提升系统吞吐量与扩展性。

七、前沿领域算法

1. 人工智能相关算法

• 卷积层张量运算算法：卷积神经网络核心，通过卷积核提取空间特征，广泛用于计算机视觉。

• 循环层序列处理算法：循环神经网络核心，通过门控机制处理序列依赖，用于自然语言、时序数据。

• Transformer 注意力机制算法：通过自注意力机制并行处理长序列，是当前大语言模型的核心架构。

• 强化学习经验回放算法、优先级经验回放算法：通过存储并重放历史经验提升样本利用率，优先级回放优先采样高价值经验。

2. 机器学习基础算法

监督学习算法

• 线性回归、逻辑回归：基础线性模型，分别用于回归与二分类任务。

• 支持向量机 (SVM)：通过最大化分类间隔构建分类器，适用于小样本高维场景。

• 决策树与随机森林：决策树基于特征分裂做决策，随机森林是多棵决策树的 Bagging 集成。

• K – 近邻算法 (KNN)：基于邻居样本投票做分类 / 回归，属于惰性学习算法。

• 朴素贝叶斯：基于贝叶斯定理与特征独立假设的概率分类器，计算高效。

• 梯度提升树 (GBDT/XGBoost)：Boosting 集成算法，通过迭代拟合残差提升模型精度，是表格数据建模的主流方案。

• 集成学习（Bagging/Boosting）：两类集成范式，Bagging 通过并行训练多个基模型投票，Boosting 通过串行迭代逐步优化。

无监督学习算法

• K – 均值聚类、层次聚类：经典聚类算法，分别基于质心迭代与层次合并划分样本。

• 主成分分析 (PCA)：线性降维算法，通过正交变换保留最大方差信息。

• DBSCAN 密度聚类：基于密度可达性聚类，可发现任意形状簇并识别噪声点。

• 孤立森林：基于孤立路径长度检测异常样本，适用于异常检测场景。

• 谱聚类：基于图论谱理论的聚类算法，对非凸分布数据效果较好。

• EM 算法（高斯混合模型）：迭代求解含隐变量模型的参数，高斯混合模型是其典型应用。

搜索与优化算法

• 遗传算法、模拟退火、粒子群优化 (PSO)、蚁群算法：均为启发式优化算法，模拟自然 / 生物行为，在复杂、非凸的优化问题中寻找近似最优解，如蚁群算法常用于 TSP 问题优化。

3. 区块链相关算法

• 共识算法（PoW/PoS/PBFT/DPoS）：区块链节点达成数据一致性的核心机制，分别基于工作量、权益、拜占庭容错等原理设计。

• 默克尔树验证算法：通过哈希树结构快速验证数据完整性与存在性，是区块链数据结构的核心。

• 分布式哈希表 (DHT) 算法：分布式节点存储与寻址方案，无需中心节点即可定位数据。

• IPFS 内容寻址算法：基于内容哈希而非地址定位文件，实现分布式文件存储与传输。

4. 量子计算相关算法

• 量子傅里叶变换：量子版本的快速傅里叶变换，是众多量子算法的基础组件。

• Grover 搜索算法：实现无序数据库的二次加速搜索，时间复杂度 $O(\sqrt{n})$。

• Shor 算法（大数分解）：可在多项式时间内完成大数质因数分解，对传统 RSA 加密体系构成挑战。

打开3A游戏，沉浸在光影逼真的虚拟世界；刷短视频，被灵动的虚拟数字人吸引；看医疗影像，精准的病灶可视化辅助诊断 —— 这些震撼的视觉体验，背后都离不开计算机图形学（CG）的支撑。从实时渲染到虚拟交互，从科学可视化到数字孪生，计算机图形学早已渗透生活、工业、医疗等多个领域。今天就拆解它的 9 大核心任务，带你看懂视觉魔法背后的技术逻辑。

一、3D场景实时渲染：让虚拟世界 “即时可见”
核心目标：在游戏、VR/AR 等实时场景中，快速生成高质量图像，兼顾流畅度与视觉效果，是图形学最基础也最核心的任务。

1、几何数据处理：通过矩阵变换、齐次坐标转换、视口变换等技术，将 3D 模型映射到 2D 屏幕；用裁剪算法（Cohen-Sutherland/Liang-Barsky）剔除屏幕外的图形，提升效率；

2、光栅化与抗锯齿：用 Bresenham 算法绘制线条、扫描线填充图形，将几何形状转化为像素；通过 MSAA、FXAA/TAA 等抗锯齿技术，解决画面锯齿感，让边缘更平滑；

3、光照与阴影：用 Blinn-Phong 模型、PBR 基础（Cook-Torrance）、IBL 图像基光照模拟真实光影效果；通过阴影映射、PCF 软阴影、CSM 级联阴影等算法，生成自然的阴影，增强场景立体感；

4、可见性优化：用 Z-Buffer、画家算法、早期 Z 测试、LOD 细节层次优化、实例化等技术，只渲染屏幕可见的内容，减少无效计算，保障实时流畅。

二、离线真实感渲染：追求 “以假乱真” 的极致视觉
核心目标：在影视动画、广告特效等非实时场景中，生成照片级真实的图像，不追求速度，只追求视觉精度。

1、全局光照模拟：通过蒙特卡洛路径追踪、重要性采样、双向路径追踪、辐射度算法，模拟光线在场景中的多次反射与折射，还原真实世界的光照效果；

2、复杂材质渲染：针对毛发、布料、透明物体等复杂材质，用次表面散射（SSS）、毛发渲染、微边形 / 光透射体渲染等技术，还原材质的真实质感；

3、渲染加速：用 BVH/KD-Tree、光子映射等算法优化光线追踪效率，在保证效果的同时缩短渲染时间。

三、几何重建与处理：从点云到模型，构建虚拟几何基础
核心目标：将现实世界的物体或数据（如点云）转化为计算机可处理的 3D 模型，并优化模型质量，适配不同场景需求。

1、点云处理：先通过统计滤波、体素下采样等进行点云预处理，再用 ICP 精配准、NDT 配准、FFH 特征点配准等技术，将多帧点云对齐；

2、曲面重建：用行进立方体、泊松重建、Alpha Shapes、双重轮廓（Dual Contouring）等算法，从点云或体数据中生成连续的 3D 曲面；

3、网格优化与修复：通过拉普拉斯平滑、Taubin 平滑优化模型表面；用边折叠简化模型复杂度（适配实时场景），用 Catmull-Clark 细分提升模型细节；还能通过补洞算法、非流形边消除、重复面修复，解决模型破损问题；

4、网格参数化与纹理映射：将平面 / 圆柱 / 球面等参数化到网格上，通过双线性 / 三线性纹理插值、ETC/ASTC 纹理压缩技术，让纹理自然贴合模型。

四、图像处理与计算摄影：优化图像质量，创造特殊视觉效果
核心目标：对 2D 图像进行增强、分割、融合等处理，或通过算法模拟摄影效果，提升图像表现力。

1、图像增强：用高斯滤波降噪、USM 锐化提升细节、双边滤波保留边缘、运动模糊消除、伽马校正调整亮度，优化图像基础质量；

2、边缘与特征提取：通过 Sobel 算子、Canny 边缘检测，快速定位图像边缘；用 SIFT、SURF、ORB 等算法提取图像特征，用于匹配、追踪等场景；

3、图像分割与提取：用阈值分割、区域生长、轮廓提取等传统算法，或 U-Net、Mask R-CNN 等深度学习算法，精准分割图像中的目标（如医疗影像中的病灶）；

4、图像融合与特效：实现图像拼接、全景合成、HDR 融合，生成宽视角或高动态范围图像；还能通过深度学习超分辨率（DLSS、FSR）提升图像分辨率，还原更多细节。

五、角色动画与物理模拟：让虚拟角色 “活起来”
核心目标：让 3D 角色拥有自然的动作和物理交互效果，适配游戏、动画、虚拟人等场景。

1、角色姿态与动画生成：通过关键帧插值、逆向动力学（Jacobian/FABRK）生成流畅姿态；用骨骼蒙皮（线性混合蒙皮、双四元数蒙皮）让模型跟随骨骼运动，蒙皮权重平滑技术避免动作变形；

2、面部动画：用 Blend Shape（混合形状）实现丰富表情，通过面部动作捕捉驱动、表情插值，让虚拟角色的表情更自然逼真；

3、动作数据处理：对动作捕捉数据进行清洗、对齐与融合，还能实现动作重定向（将一个角色的动作迁移到另一个角色上）；

4、物理效果模拟：用 GJK 算法实现刚体碰撞检测，通过动量守恒计算碰撞响应；用 SPH 流体模拟、质点弹簧布料模拟、柔体模拟、PBD（Position-Based Dynamics）等技术，还原液体、布料、软组织的真实物理行为；

5、运动规划：用 A路径规划、RRT、RRT算法让角色避开障碍物，通过行为树控制角色 AI 行为（如游戏中 NPC 的决策逻辑）。

六、非真实感渲染（NPR）：打造 “风格化视觉”
核心目标：跳出真实感框架，生成卡通、素描、水彩等风格化图像，适配动画、插画、游戏等创意场景。

1、基础风格化渲染：用 Cel Shading（卡通渲染）生成动漫质感，通过素描线稿渲染模拟手绘线条，用水彩晕染模拟、油画笔触渲染还原艺术绘画效果；

2、风格迁移：借助 GAN 风格迁移、CycleGAN 无监督风格迁移技术，将 2D 图像的风格迁移到 3D 渲染中（如把照片风格转化为卡通风格的 3D 场景）。

七、科学与医学可视化：让 “无形数据” 可视化
核心目标：将科学计算数据（如流场）、医学影像数据（如 CT/MRI）转化为直观的视觉形式，辅助研究与诊断。

1、体数据可视化：用光线投射体绘制、纹理映射体绘制、等值面提取（行进立方体）等技术，呈现 CT、MRI 等医学体数据，让内部结构一目了然；

2、流场可视化：通过流线生成、迹线生成、向量箭头可视化、粒子追踪，直观展示气流、水流等流场的运动规律；

3、医学影像专项处理：实现医学影像配准（多模态影像对齐）、血管可视化、医学影像分割（肿瘤检测），为临床诊断和治疗提供支持。

八、交互与 VR/AR：打破虚拟与现实的边界
核心目标：实现人与虚拟环境的自然交互，适配 VR/AR、元宇宙等沉浸式场景。

1、空间定位与交互：通过 SLAM（视觉 SLAM、激光 SLAM）实现空间定位，结合手势识别、眼动追踪，让用户无需控制器即可操作；还支持多用户协同交互、触觉反馈，提升沉浸感；

2、VR/AR渲染适配：采用双目渲染模拟人眼视角差，通过畸变校正、时间扭曲解决画面延迟问题；结合光照估计、平面检测、多视图一致性校验，让虚拟物体与现实环境自然融合；注视点渲染（Foveated Rendering）技术可优化性能，只高清渲染注视区域；

3、GUI 与交互拾取：用 Immediate Mode GUI、Retained Mode GUI 构建虚拟界面，通过 GUI 动画插值提升交互体验；通过光线三角形求交、BVH 加速拾取，实现 3D 点精准拾取（如点击虚拟物体触发事件）。

九、新兴交叉应用：图形学与新技术的融合创新
核心目标：结合 AI、云计算、3D 打印等技术，拓展图形学的应用边界，催生新场景、新体验。

1、虚拟数字人：整合数字人建模、实时驱动、表情迁移、动作生成、唇形同步等技术，打造能实时交互的虚拟人（如直播、客服场景）；

2、数字孪生：通过高精度建模、数据驱动渲染、实时数据同步、设备状态可视化，构建物理世界的虚拟映射（如工业设备监控、城市规划）；

3、神经渲染与可微分优化：用 NeRF 等神经渲染技术，从 2D 图像重建 3D 场景；通过可微分渲染、可微分光线追踪，实现材质参数估计等精准优化；

4、云渲染与 3D 打印适配：云端渲染调度技术可将复杂渲染任务放在云端，渲染结果流式传输到终端，适配低性能设备；3D 打印适配技术则能实现模型轻量化、支撑结构生成、切片算法优化，提升打印精度。

总结：计算机图形学的核心逻辑 ——“将虚拟落地，让现实升级”
从实时渲染到虚拟交互，从数据可视化到数字孪生，计算机图形学的本质是 “用技术构建视觉桥梁”—— 让虚拟世界更逼真、让无形数据更直观、让现实体验更丰富。

随着 AI、云计算、VR/AR 等技术的发展，计算机图形学的应用场景还在不断拓展：从游戏动画到工业制造，从医疗诊断到元宇宙，它正在用视觉魔法改变我们感知世界、交互世界的方式。

你在生活中接触过哪些让你惊艳的图形学应用？欢迎在评论区分享你的体验～

一、线性结构

1. 定长 & 动态数组

• 细分类型：有序 / 无序数组、稀疏数组、环形数组、SOA 结构数组、SIMD 优化数组。

• 核心算法：

  • 查找：二分查找、插值查找、斐波那契查找、三分查找；

  • 预处理：前缀和（O (1) 区间和查询）、差分（O (1) 区间批量更新）；

  • 技巧：双指针（对撞 / 快慢）、滑动窗口、摩尔投票法、原地哈希、数组分块。

2. 链表

• 细分：单链表、双链表、循环链表、静态链表、块链表、持久化链表。

• 核心算法：链表反转、快慢指针判环 / 找中点、归并排序、删除倒数第 N 节点、拆分重组、惰性删除。

3. 栈

• 细分：顺序栈、链式栈、单调栈、共享栈、表达式栈。

• 核心算法：括号匹配、中缀转后缀、表达式求值、模拟 DFS；单调栈求解下一个更大 / 更小元素、柱状图最大矩形等经典问题。

4. 队列

• 细分：循环队列、双端队列 (Deque)、优先队列、阻塞队列、延时队列、无锁队列。

• 核心算法：BFS 层序遍历、单调队列求解滑动窗口最值、优先队列多路归并、延时队列定时任务调度。

5. 线性表扩展

• 结构：字典（关联数组）、位集合、有序集合、分段字典、稀疏字典。

• 核心操作：集合交并补运算、分段锁并发优化、布隆过滤器前置去重、字典树 + 哈希混合索引。

需要我把其中某一类数据结构的算法展开成更详细的原理与时间复杂度对照表吗？

二、字符串结构

1. 字符串表示

定长字符串、变长字符串、字符串池（常量复用）、rope（大字符串分块拼接）、字符串切片 / 视图（零拷贝引用）、mmap 内存映射大文件。

2. 核心算法

（1）匹配算法

• KMP：预处理 next 数组，主串指针不回溯，单模式匹配线性时间 O (n+m)。

• BM：坏字符 + 好后缀规则，从后往前匹配，大文本下平均性能优于 KMP。

• AC 自动机：多模式匹配标准，一次扫描匹配所有模式串。

• Rabin-Karp：滚动哈希，哈希快速初筛，适合多模式、模糊匹配场景。

• 进阶：Sunday、Shift-Or、Two-Way 等不同侧重的优化算法。

（2）编辑距离与序列比对

• Levenshtein 距离：增删改操作的最小编辑次数，动态规划求解。

• LCS（最长公共子序列）：经典二维动态规划问题。

• 进阶：带权编辑距离、Smith-Waterman 算法（生物信息序列比对）、限长剪枝优化。

（3）排序与压缩

• 字符串排序：基数排序（按字符位线性排序）、字符串快排、SA-IS 线性构建后缀数组。

• 压缩算法：

  • LZ77/LZ78：字典式压缩，现代压缩算法的基础；

  • 哈夫曼编码：熵编码，高频字符短编码，最优前缀码；

  • DEFLATE：LZ77 + 哈夫曼，gzip、PNG 标准；

  • 工业级：LZ4（极速）、ZSTD（高速高压缩比）、Brotli、LZMA。

（4）编码算法

UTF-8/16/32（Unicode 编码）、Base64/32（二进制转可打印字符）、RLE 游程编码、URL 编码、SIMD 加速编解码。

三、树形结构

1. 基础二叉树

• 常见类型：满二叉树、完全二叉树、哈夫曼树（最优前缀编码）、笛卡尔树（堆 + BST 双性质）；

• 区间专用：线段树（区间查询 / 更新，懒标记）、树状数组 (BIT)（单点更新 + 前缀和，实现极简）、主席树（可持久化线段树，历史版本查询）、李超树（线段覆盖最值）；

• 核心算法：前 / 中 / 后序遍历（递归 / 迭代）、层序遍历；线段树区间操作、标记永久化、线段树合并。

2. 二叉查找树 (BST) 及变种

• 基础 BST：左子树 <根 < 右子树，平均 O (log n)，最坏退化为链表。

• 自平衡变种：

  • AVL 树：严格平衡（左右高度差≤1），查询最优，插入删除旋转开销大。

  • 红黑树：近似平衡，通过着色 + 旋转维持性质，插入删除高效，是工业界标准（STL map、Java TreeMap）。

  • 伸展树 (Splay)：访问节点移至根，热点数据访问更快，局部性友好。

  • Treap：树 + 堆，随机优先级维持平衡，分裂 / 合并操作便捷。

• 进阶：可持久化 Treap、替罪羊重构、批量构建。

3. 多路查找树

• B 树：多叉平衡树，节点存数据，降低树高，适配磁盘存储，减少 IO 次数。

• B + 树：仅叶子节点存数据，内部节点仅存索引，叶子通过链表串联，范围查询极优，是数据库、文件系统索引的标准。

• B * 树：优化节点合并策略，提升空间利用率；

• 进阶：2-3 树、2-3-4 树、前缀 B 树、分区 B 树、批量插入优化。

4. 堆结构

• 基础：二叉堆（数组实现，完全二叉树，堆排序、Top-K、优先队列）、左式堆、斜堆；

• 进阶：斐波那契堆（decrease-key O (1)，理论最优）、配对堆（合并高效，实现简单）、二项堆；

• 核心算法：堆化、堆排序、Top-K、延迟删除、多路归并。

5. 字典树体系

• 前缀树 (Trie)：字符串前缀匹配、词频统计，字符路径即字符串。

• 后缀树 / 后缀数组 / 后缀自动机 (SAM)：处理子串、后缀相关问题，SAM 是当前最精简高效的后缀结构。

• AC 自动机：Trie + fail 指针，多模式串匹配，一次扫描匹配所有模式串，用于敏感词过滤、入侵检测。

• 优化：压缩字典树、双数组 Trie、路径压缩。

6. 空间划分树

• k-d 树：k 维空间二分划分，低维数据最近邻搜索高效。

• R 树 / R * 树：空间对象最小外包矩形索引，支持范围查询、空间连接，是 GIS 核心索引。

• 球树 (Ball-Tree)、VP 树：高维空间下比 k-d 树更优的最近邻结构。

7. 日志结构树

• LSM 树：写优化结构，数据先写内存表，满后顺序刷入磁盘 SSTable，后台异步 Compaction 合并；牺牲部分读性能换取极致写吞吐，是 RocksDB、LevelDB、HBase 的核心。

• 核心机制：WAL 预写日志（宕机恢复）、分层 / 大小分级 Compaction、布隆过滤器加速点查。

• 变种：TSM 树（时序数据优化）、WiscKey（键值分离优化）、Fractal Tree。

8. 领域专用树

• 区块链 / 密码学：MPT、稀疏默克尔树、累加器树、默克尔树森林；

• 实时流计算：倾斜树（解决数据倾斜）、窗口计数树（滑动窗口统计）。

四、图形结构

1. 存储方式

• 邻接矩阵：二维数组存储边关系，O (1) 查询边是否存在，适合稠密图，空间复杂度 O (V²)。

• 邻接表：每个节点维护邻接边链表，空间省，适合稀疏图，是最通用的存储方式。

• 十字链表：同时存储入边和出边，优化有向图的双向边遍历。

• 邻接多重表：无向图中每条边仅存储一次，优化边操作的冗余。

• 边集数组：仅存储所有边的列表，适合 Kruskal 等以边为核心的算法。

• CSR/CSC：压缩稀疏行 / 列存储，用数组压缩表示稀疏图，适配矩阵运算与大规模图计算。

• 分片 / 快照存储：分布式图系统的水平拆分，以及时态图的历史版本存储；图数据库（如 Neo4j）采用原生属性图存储优化。

2. 核心算法

（1）遍历与搜索

• DFS：深度优先遍历，基于栈 / 递归回溯，用于环检测、连通分量、拓扑排序，时间 O (V+E)。

• BFS：广度优先遍历，基于队列层序扩展，天然求解无权图最短路径，时间 O (V+E)。

• 迭代加深 DFS：限制搜索深度逐层加深，兼顾 DFS 的低空间与 BFS 的最优解特性。

• 双向 BFS：起点、终点同时向外 BFS，相遇即得到路径，大幅缩减搜索空间。

• A\*：启发式搜索，通过 f(n)=g(n)+h(n) 评估节点，启发函数可采纳时保证最优解，广泛用于路径规划。

• IDA\：迭代加深 + A\，空间复杂度低，适合状态空间极大的寻路场景。

• D Lite*：动态环境增量寻路，环境变化时局部更新路径，适配机器人导航、动态路网。

• Jump Point Search：网格寻路专用，通过跳点规则剪枝冗余节点，在 A * 基础上数倍提升网格寻路效率。

（2）最小生成树（无向连通加权图）

• Kruskal + 并查集：边按权排序后依次加入，用并查集判环，适合稀疏图，时间 O (E log E)。

• Prim + 优先队列：从单点出发，每次选连接已选 / 未选集合的最小边，适合稠密图，时间 O (E log V)。

• Boruvka 算法：每个连通分量独立选择最小出边，天然并行友好，适配分布式超大规模图。

• 进阶支持增量更新、Pregel 框架下的分布式 MST 计算。

（3）拓扑排序（DAG 专属）

• Kahn 算法：基于入度统计，入度为 0 的节点入队输出，同步更新邻接点入度，可同步检测环。

• DFS 逆序法：DFS 后序遍历的逆序即为拓扑序列。

• 进阶支持动态拓扑维护、环定位、多核并行化调度。

（4）最短路径

• Dijkstra + 堆优化：单源非负权最短路，贪心 + 优先队列，工业界最常用，时间 O (E log V)。

• Bellman-Ford / SPFA：处理负权边，可检测负环；SPFA 为队列优化版，平均效率高，最坏 O (VE)。

• Floyd-Warshall：多源最短路，动态规划实现，O (V³)，仅适合小规模图。

• Johnson：重赋权消除负权后多次 Dijkstra，求解带负权无负环的多源最短路。

• 进阶：分层图最短路（带状态约束）、多源最短路、带资源限制的约束最短路径 (CSP)。

（5）连通性与割

• 并查集：无向图动态连通性查询，路径压缩 + 按秩合并后操作近似常数级。

• Tarjan 算法：一次 DFS 求解强连通分量、割点、桥、双连通分量，用于图缩点与容错分析。

• Link-Cut Tree：动态树结构，支持动态连边 / 断边下的路径连通性与信息查询。

• Stoer-Wagner：求解无向图全局最小割，用于网络可靠性分析。

• k – 连通性分析：评估图的容错能力，即至少删除 k 个点 / 边才会断开。

（6）网络流

• Dinic 算法：分层图 + 阻塞流增广，当前工业界最高效的最大流算法之一。

• ISAP：Dinic 的优化版本，无需重复 BFS 分层，常数更小。

• SPFA+EK 费用流：求解最小费用最大流，用最短路寻找最小费用增广路。

• 进阶：上下界网络流、容量缩放优化、分布式大规模网络流。

（7）二分图匹配

• 匈牙利算法：基于增广路求解最大匹配，是二分图匹配的基础算法。

• Hopcroft-Karp：BFS 批量寻找增广路，时间复杂度 O (E√V)，适合大规模二分图。

• KM 算法：求解带权二分图的最大权完美匹配。

• 进阶：最大权闭合子图（转化为最小割）、动态节点在线匹配。

（8）图挖掘与表示学习

• PageRank：基于链接传递的节点重要度迭代计算，用于搜索引擎、社交网络影响力排序。

• Louvain 算法：层次化社区检测，基于模块度优化，是当前最高效的社区发现算法之一。

• 标签传播算法：简单轻量的社区发现，节点向邻居传播标签，收敛快。

• GNN 系列（GCN/GAT/GIN）：图神经网络，基于消息传递机制学习节点 / 图的低维表征，适配图分类、链路预测等任务。

• DeepWalk / Node2Vec：随机游走 + Word2Vec，生成节点嵌入向量，用于下游机器学习。

• Infomap：基于信息流的社区检测，对有向图、加权图效果更优。

五、哈希与索引结构

1. 散列表 (Hash Table)

• 哈希函数：

  • 基础：除留余数法、平方取中法；

  • 工业级高性能：MurmurHash、xxHash、CityHash、FarmHash；

  • 加密级：SHA-256、Blake2，防碰撞、用于校验与安全场景。

• 冲突解决：

  • 链地址法：最通用，冲突节点用链表串联；

  • 开放寻址：线性 / 二次探测，无指针，缓存友好；

  • 布谷鸟哈希：多哈希表位置，高负载因子下仍高效；

  • 跳房子哈希：邻域探测，兼顾缓存局部性与负载率。

• 进阶：一致性哈希（分布式负载均衡，虚拟节点抗倾斜）、可扩展哈希（动态分裂扩容）、布谷鸟过滤器（存在性判断，支持删除）、冷热分层哈希。

2. 跳表 (SkipList)

• 核心思想：在有序链表上叠加多层索引，通过高层跳跃、低层精确定位，实现 O (log n) 的查找、插入、删除。

• 关键特性：概率性平衡（随机决定节点层级），实现比平衡树简单，天然支持区间查询。

• 工程应用：Redis ZSet 核心实现，支持分值排序、跨度统计；进阶有并发跳表（CAS 无锁）、持久化、压缩索引。

3. 倒排索引

• 核心结构：Term 词典 + Posting List（倒排链），记录每个词出现的文档 ID 与位置信息。

• 核心算法：布尔检索（倒排链交并补）、TF-IDF / BM25 相关性评分；

• 优化手段：倒排链差值压缩、跳表加速求交、列式存储优化、增量实时更新与缓存策略。

• 典型场景：全文搜索引擎（Elasticsearch）、关键词检索。

4. 位图结构

• 基础 BitMap：用二进制位表示状态，位运算极快，适合低基数列的快速筛选、去重统计。

• 压缩位图：Roaring Bitmap（高低位分桶，兼顾空间与计算速度）、EWAH Bitmap（字对齐压缩）；

• 进阶优化：SIMD 并行位运算、磁盘持久化、分层位图适配大规模数据。

5. 几何索引结构

• R \ 树*：优化 R 树的节点分裂策略，空间对象范围查询更高效，是 GIS 系统主流索引。

• 四叉树 / 八叉树：二维 / 三维空间递归四 / 八划分，适合点数据的空间检索。

• 希尔伯特 R 树：用空间填充曲线排序数据，优化空间局部性与查询性能。

• 网格索引：地理空间网格化分块，简单高效，适配大规模地理数据。

六、特殊数据结构与算法

1. 并查集 (Disjoint Set Union)

• 核心：路径压缩 + 按秩合并，操作均摊复杂度接近常数，用于集合合并与连通性查询。

• 变种：带权并查集（维护节点到根的权重关系）、可持久化并查集（保留历史版本）、启发式合并、分布式集群连通性实现。

2. 布隆过滤器 (Bloom Filter)

• 核心：多位图 + 多哈希函数，判断元素 “可能存在 / 一定不存在”，无漏判、有误判，空间效率极高。

• 变种：计数布隆过滤器（支持删除）、布谷鸟过滤器（更低误判、支持删除）、分层 / 动态布隆过滤器（支持扩容）、分布式合并操作。

• 典型场景：缓存穿透防护、URL 去重、黑名单前置过滤。

3. 环形缓冲区 (Circular Buffer)

• 核心：固定大小数组 + 头尾循环指针，FIFO 顺序读写，避免数据搬移，空间复用。

• 应用：音视频流缓冲、嵌入式系统、环形日志；进阶支持批量读写、无锁线程安全实现。

4. 多项式与幂级数

• 基础运算：多项式加减乘；

• 核心加速：FFT（快速傅里叶变换）、NTT（数论变换），将多项式乘法从 O (n²) 优化到 O (n log n)；

• 进阶：多项式求逆、开根、插值、模运算（密码学、信号处理场景）。

5. 高级数据结构

（1）平衡树扩展

• 替罪羊树：暴力重构维持平衡，实现简单，适合写少读多场景。

• 珂朵莉树：基于区间赋值的暴力优化，随机数据下区间操作极快。

• Link-Cut Tree：动态树，支持路径信息查询、连边 / 断边，用于动态图与树上问题。

（2）流式数据结构

• 蓄水池抽样：流数据等概率抽样，仅需 O (k) 空间。

• HyperLogLog：极小空间估算集合基数（去重数量），误差可控。

• Count-Min Sketch：多维哈希计数，估算元素频率，结果只高不低。

• Space-Saving / Heavy Hitters：流数据中高效统计高频 Top-K 元素。

（3）机器学习相关

• KD-Tree / Ball-Tree：空间划分树，用于低 / 高维向量的最近邻搜索。

• 乘积量化 (PQ)：高维向量分块压缩，大幅节省向量存储空间。

• 向量索引（FAISS / HNSW / Annoy）：近似最近邻搜索，是向量检索、推荐系统的核心组件。

（4）密码学 / 区块链专用

• 默克尔树：哈希二叉树，仅用根哈希即可校验数据完整性，可快速定位篡改位置。

• 默克尔前缀树 (MPT)：默克尔树 + 前缀树融合，以太坊状态存储核心，支持路径压缩与默克尔证明。

• 稀疏默克尔树：仅存储非默认节点，适配区块链轻客户端；累加器树用于零知识证明的集合成员验证。

（5）系统与流计算

• 控制流图 (CFG)、支配树：编译器代码优化、程序分析的基础结构。

• 内存池、页表、段树：操作系统内存管理的核心数据结构。

• 倾斜树、窗口计数树：流计算中解决数据倾斜、滑动窗口统计的专用结构。

• 时空索引、轨迹索引、GeoHash：时空数据与地理信息的索引结构。

• 稀疏矩阵存储（COO/CSR/CSC）：科学计算中稀疏矩阵的高效存储格式。