HIT-高级算法 | 六个实验之后，我开始怀疑“快”到底是怎么来的

高级算法实验给我的感觉，是每做完一个题，就会发现“快”并不是一个简单的形容词。集合相似度、选择第 k 小、倒排索引、随机图、集合连接和 Bloom Filter，看起来是六个互不相关的主题，实际上都在逼我思考同一件事：怎样用更聪明的组织方式，少做一些没有必要的工作。

仓库地址：HIT-Advanced-Algorithms-Labs。

实验一：MinHash 和 LSH，把相似集合变成可以快速比较的签名

直接比较两个集合的交集和并集并不难，难的是集合很多、数据很大以后，逐个比较会越来越慢。MinHash 的思路是给集合生成一种压缩签名，用较小的代价估计相似度；LSH 则进一步把可能相似的对象放到相近的桶里，减少候选比较。

我第一次接触这个实验时，最不习惯的是“签名并不等于原数据”。它丢掉了大量细节，却保留了某种相似性信息。算法不是把原问题完整保存下来，而是在精度和速度之间做一个可解释的交换。

实验二：第 k 小元素，排序不是唯一的答案

实验比较了归并排序后取下标、线性选择以及 LazySelect。最直观的做法是先把所有数据排好序，复杂度清楚，也容易写；但如果只需要第 k 小的元素，完整排序可能做了很多不必要的工作。

线性选择通过五个一组的中位数递归选择基准，试图把问题控制在线性复杂度；LazySelect 则先随机抽样，再缩小候选区间。它们让我第一次真正感受到，算法设计经常是在利用题目“只要求一部分信息”这个条件。

实验三：红黑树、跳表和倒排索引，查找结构不能只看平均情况

倒排索引需要根据关键词找到对应内容，红黑树和跳表则提供了不同的有序查找结构。红黑树通过颜色和旋转维护平衡，跳表则用多层链表增加跳跃能力。

我在这里遇到的困难不是不会写插入，而是插入以后结构要一直保持可用。红黑树的颜色约束和旋转一旦处理错，错误可能不会立刻暴露，直到后面某次查找才突然失效。

这让我开始注意数据结构的“不变量”：一个操作结束以后，结构应该继续满足什么条件？比起记住某段旋转代码，知道旋转前后哪些性质必须保持，才更容易排错。

实验四：随机图和 MST，概率问题也可以靠大量实验逼近

随机图实验使用 Kruskal 和抽样，观察最小生成树期望。图的边是随机生成的，单次结果没有固定答案，真正想知道的是很多次实验以后是否呈现出稳定趋势。

这类实验让我再次遇到随机模拟，但这次对象从数字变成了图。并不是每次运行都要得到同一个结果，而是要确认抽样过程、统计方法和实现逻辑没有把趋势扭曲。

实验五：集合连接和数字指纹，先过滤再精确比较

集合包含连接如果直接两两比较，数据规模一大就很慢。实验里尝试使用数字指纹做过滤，把明显不可能匹配的候选先排除，再对剩余对象做精确判断。

这个思路和很多工程系统很像：先用便宜的规则筛掉大多数候选，再把昂贵计算留给少数对象。过滤不能误删真正的答案，所以“快”必须建立在正确性边界之内。

实验六：多重 Bloom Filter，用一点误判换取更快查询

Bloom Filter 不保存完整集合，而是用多个哈希函数设置位图。查询一个元素时，如果某一位没有被设置，可以确定它不在集合；如果所有位置都被设置，只能说它“可能在”。

第一次理解假阳性时，我有点别扭：一个数据结构怎么能把“不确定”当成设计的一部分？后来我发现，在大规模过滤场景里，只要不产生假阴性，用可控的假阳性换取内存和速度，往往是值得的。

六个实验放在一起，我开始怀疑“快”到底是什么

MinHash 用签名减少集合比较；选择算法避免完整排序；红黑树和跳表维护高效查找；随机图用抽样逼近期望；集合连接先过滤再精确比较；Bloom Filter 则接受有限假阳性。

它们没有一个统一的数据结构，却有很强的共同气质：不把所有工作都做满。只要题目允许，只要正确性边界说得清楚，就可以用摘要、抽样、分层、剪枝和概率结构，把计算量压下来。

当然，仓库仍然带着课程实验的边界：大型数据没有全部上传，部分脚本依赖课程路径，随机实验没有统一固定种子，也没有包装成一个现代统一的 benchmark 工程。可正是这些不完美，让我能看到自己当时是如何从“先写出来”，慢慢走向“先想清楚复杂度和不变量”。

仓库地址：HIT-Advanced-Algorithms-Labs。

说明：本文根据个人历史课程实验和公开仓库整理，部分文字经过 AI 辅助润色；报告中的运行数据属于历史实验记录。课程资料仅用于学习回顾和个人作品整理，不用于当前课程作业或考试。