场景一
小时候去商场玩时，爸爸妈妈经常告诉我，如果你在商场走丢了，千万不要到处乱跑，站在原地不动就好了，我们会来找你的。
长大后学了计算机才明白，原来那个时候爸爸妈妈就已经会用DFS算法。如果我在原地等待他们，爸爸妈妈就可以通过记忆进行搜索，时间复杂度变为O（N）（N指商场面积），很快就可以找到我了。
场景二
假如一个很小且混乱的桌子，你很容易就找到了自己需要的东西，这是一个很经典的算法LRU Cache。假如你每次都往桌子上随意放东西，实际上每次放的东西都是处于堆顶。假如你每次都将东西进行整理，但是没有记住每件东西所存放的位置，这种效率要比随便乱放东西低一个层级，不过是浪费时间而已。
场景三
假设你想到了某个正则语言，通过编写程序不断询问某个句子是否是这门正则语言，经过一定次数的询问后，能够得到这门正则语言相应的DFA，即Angluin‘s Learning Algorithm算法。
场景四
KMP和相关联的AC（Aho-Corasick）自动机，刚了解时误以为是自动AC机，后来使用后，算法中的效率和思想真的是惊喜到我了。
场景五
FFT（快速傅立叶变换）算法，对n次多项式乘法计算时，时间复杂度为。
扩展欧几里得算法，代码行数少且容易记忆，在做数论题时，求解不定时方程、乘法逆元等经常使用。
快速幂取模算法，求解k阶矩阵的n次方时，复杂度为k3。想要使用好这个算法，得对它进行充分的理解，理解之后代码写起来容易，计算效率很高。
自适应辛普森算法，主要解决所有一维定积分，代码行数20行，算法中主要采用递归计算三点辛普森公式。
场景六
Streaming算法。这个是在之前面试中被问到的，当时听到这个问题时，大脑是处于懵逼状态，因为根本就没有接触过这个算法。问题大致是：给一个未知长度的Streaming data，在Streaming结束时返回n个等概率的data。
我当时的第一反应是，未知长度，概率肯定也是未知的，这怎么可能还能保证等概率？？？
后来我去研究了一番，这个算法刷新了我的认知，简直令我惊叹，居然这么简单。首先将前n个data进行保留，对后面进来的data，通过概率选择是否保留，即用n除以i（i为当前data位置）得到概率；如果进行保留，将之前保留的data随机删除一个，最后在返回n。该算法的复杂度为o（L）。
