1. 为什么一家即时配送公司的算法笔试值得认真对待如果你准备过互联网大厂的算法校招一定对题海战术这套流程不陌生LeetCode刷个几百题、笔试现场两小时拼手速、靠AC数量定生死。但如果你把同样的备考思路原封不动地带到点我达2019届校招算法笔试大概率会碰一鼻子灰。点我达是一家做即时配送的众包物流平台业务核心是如何用算法让数百万骑手在最短时间内把订单送到用户手里。这个业务场景决定了它的算法笔试和纯互联网公司有本质区别它更重视你对算法原理的理解深度、对业务问题的建模能力以及在一堆约束条件下做取舍的判断力。笔试不会只考给你一个数组求最大子序和这种脱离业务的标准题而是会把算法藏在配送场景的壳子下面考察你能不能认出本质、能不能把算法思想迁移过来。2019届校招这个时间点也比较特殊。那几年正是即时配送行业从粗放扩张转向精细化运营的关键阶段各家平台都在疯狂招算法人才笔试题目也从早期的会写代码就行逐渐演变出既要懂算法又要懂业务的风格。所以这份笔试的备考逻辑放到今天依然有很强的参考价值——算法题可能会变但考察的底层能力和出题思路基本稳定。这篇文章适合三类人看准备投递即时配送/物流/本地生活类公司算法岗的应届生正在系统复习数据结构和算法、想知道校招笔试到底怎么出题的在校生以及单纯对配送调度算法感兴趣、想了解这类公司算法团队日常解决什么问题的技术从业者。我会结合点我达的业务特点把笔试中可能出现的高频考点、出题逻辑和备考策略一块儿拆开讲清楚。2. 题型结构与时间分布从真题比例看复习优先级先说笔试的整体基调。2019届校招的技术笔试通常在线完成时长一般控制在90到120分钟。题量大、时间紧是常态很少有同学能从容地把所有题做完。所以拿到试卷第一件事不是闷头做题而是快速浏览全卷判断哪些题必须拿分、哪些题可以战略性放弃。2.1 题型占比的合理预估根据那个阶段即时配送行业算法岗笔试的普遍风格结合点我达的业务技术栈题型分布大致可以参考下表题型预估占比主要考察方向答题策略单选题/多选题30%-40%数据结构、概率统计、机器学习基础、算法复杂度快速作答不恋战简答题10%-15%算法原理阐述、场景建模思路分点作答逻辑清晰编程题40%-50%算法实现、业务变种题先写暴力解保底再优化选择题占比不小而且覆盖的知识面非常杂。比如给定一个无向图的邻接矩阵判断其连通性、快排在最坏情况下的时间复杂度是多少、一个事件发生的概率是P重复n次至少发生一次的概率是多少这类题都有可能出现。选择题的难点不在单题难度而在知识面的广度——数据结构、概率论、机器学习基础、线性代数全都得有一定储备。2.2 时间分配建议我的建议是把时间按40%给编程题30%给选择题20%给简答题10%机动来切分。为什么编程题反而要留最大块时间因为编程题得分是按测试用例通过的百分比算的AC一道难题可能比做对十道选择题拿到的分数还高。而且编程题往往有部分分你的暴力解法哪怕只能过30%的用例也比空白提交强。选择题如果遇到没把握的别纠结先在草稿纸上记录题号做完其他题再回头检查。简答题要用结论先行、分点展开的格式写阅卷人没有时间看长篇大论你的答案最好让他在15秒内抓到采分点。2.3 题目难度梯度笔试的出题逻辑通常是前面几道选择题垫底让大多数人不至于空手而归中间部分开始区分度拉高最后一道编程题是压轴题专门筛选顶尖候选人。所以如果你在前半程卡住了先跳过压轴题哪怕只能写个思路也要把注释和伪代码写上去经常会有过程分。这和算法竞赛过不了样例就零分的规则完全不同校招笔试更看重你解决问题的思维过程和代码习惯。3. 基础算法考点逐项拆解高频题型的出题逻辑无论业务怎么包装算法笔试的底层考点永远跑不出那几大类。我见过很多同学把大量时间花在偏、难、怪的竞赛题上结果笔试里最基础的动态规划都没写出来非常可惜。基础算法永远是笔试的基本盘先把这些吃透再去琢磨业务变种题。3.1 字符串匹配与KMP算法字符串匹配几乎是每次笔试的常客。像在KMP算法中对于模式串pabacaba其next数组next[i]定义为…这类题目考察的就是你对next数组求解逻辑的掌握程度。很多人对KMP的理解停留在背模板层面问next数组就只会默写。但要真正应付笔试你得知道next数组的语义是当前位失配后模式串指针应该回退到哪里以及为什么它能保证线性时间复杂度——因为主串指针从不回退每次失配后模式串的移动步数都有下界保证。我记得一个很容易翻车的细节KMP有两种next数组的写法一种的next[i]表示i之前的子串中最长相等前后缀的长度另一种的next[i]表示失配后跳转的位置这两种写法会差一个偏移。如果你只背了其中一种模板遇到需要手算next数组的题就很容易错。建议考前把两种写法都推一遍理解它们之间的换算关系。笔试中还有可能让你直接补全KMP的匹配函数。这时候不只是写对逻辑还要注意代码风格变量命名清晰、边界条件处理妥当。阅卷系统对这类题经常是跑测试用例判分一个写成就是零分所以写完务必自查一遍。3.2 经典排序与复杂度分析排序算法的考察永远不会缺席。从冒泡排序、插入排序这种O(n²)级别的入门算法到快排、归并排序、堆排序这些O(n log n)级别的常客再到桶排序、基数排序这些线性时间复杂度的非比较排序全都在考纲范围内。笔试最常见的一种出题方式是给一个特定场景让你选择最优排序算法。比如对一个几乎有序的数组排序哪个算法最快——答案是插入排序因为它在近乎有序的数组上可以达到O(n)的时间复杂度。再比如数据量极大且内存有限无法一次性载入应该用什么排序——答案是外部排序归并排序的外延。这类题考的不是背复杂度表而是对算法在不同数据分布下的性能有直觉。另一个高频考点是快排的时间复杂度推导和优化策略。标准快排在完全逆序的输入上会退化到O(n²)原因在于每次partition只把序列分成1和n-1两部分。优化手段有随机选择基准值、三数取中法、在数据量小的时候切换到插入排序、以及循环展开和尾递归优化。笔试中如果让你实现快排最好直接写个三数取中小区间插入排序的工程版本既展示了对性能的敏感度又能保证所有测试用例通过。3.3 动态规划从背包问题到区间DP动态规划是校招笔试的压轴常客分值高、区分度大。基础版本是经典背包问题0-1背包、完全背包、多重背包以及它们的变种。进阶版本是区间DP、状态压缩DP、树形DP。背包问题的核心是状态定义和转移方程。以0-1背包为例dp[i][j]表示前i个物品在容量为j的背包中的最大价值转移方程是dp[i][j] max(dp[i-1][j], dp[i-1][j-w[i]] v[i])。很多同学能写出二维版本但一维优化的版本就懵了。一维优化的关键在于逆序遍历容量保证每个物品最多被选一次。如果是完全背包则正序遍历容量——因为每个物品可以被选多次。笔试中动态规划题很少直接说这是个背包问题通常会包装成具体场景。比如骑手一天有T小时可用有n种订单任务每种任务耗时t[i]、收益p[i]每种任务最多只能接一次问如何选择任务使收益最大——本质就是0-1背包。读题时把变量映射到背包问题的框架里比现场硬想快得多。还有一个高频细节dp数组的初始化。很多同学栽在dp[0]应该等于多少这个问题上。如果求的是最大值且所有价值都是正数初始化为0没问题如果求的是最小值就要初始化成无穷大。涉及恰好装满和不超过容量两种语义时初始化策略完全不同。这是笔试中极易丢分的坑点建议专门拿两道经典题练熟。3.4 图论最短路与最小生成树图论基础考点集中在Dijkstra算法、Floyd算法、Prim/Kruskal最小生成树算法以及拓扑排序。其中Dijkstra是最高频的一个。Dijkstra算法的前提是边的权重非负它的核心思想是贪心加动态规划每次从未确定最短距离的节点中选出距离最小的节点然后松弛它的邻接边。如果用朴素实现时间复杂度O(V²)如果使用优先队列最小堆优化复杂度降到O((VE)logV)。笔试中如果边的数量很大优先队列版本是必须的否则超时没商量。最容易出错的地方是使用优先队列时存在重复入队。先入队的节点可能在后续被更新为更小的距离所以当你从堆里拿出来一个节点先判断当前取出的距离是否大于它的已知最短距离如果大于就跳过。这个过期节点跳过的判断忘记写了就会出现答案错误。最小生成树相关题目出题频率稍低但一旦出就是综合题。例如给一个配送网络图求连接所有站点的最低建设成本——就是裸的最小生成树。Kruskal算法按边权排序后用并查集维护连通性Prim算法从任意节点出发逐步扩展生成树。两种算法都要能手写出来笔试不提供模板。3.5 贪心算法与模拟退火等启发式思想与动规和图论相比贪心算法的出题频率很高因为它的题目形态多样而且非常考验思维的严密性。有时候一道题用贪心可以得出最优解有时候贪心只能得出近似解题目会特意考察你能不能判断贪心是否成立。比如区间调度问题选择最多不重叠的区间可以用贪心按结束时间排序即可但给定一组任务和完成每个任务的截止时间求最大收益的调度方案就需要排序优先队列的贪心策略。这类题的特点是如果不严格证明贪心选择的正确性很容易写出一个看着对、实际全错的解法。算法笔试偶尔也会出现一些启发式算法的简答题比如模拟退火、粒子群、遗传算法的原理说明。2019年前后物流和配送行业对路径规划的需求暴涨这些启发式算法因为能解决NP难问题而被频繁提及。笔试中可能不会要求你实现完整的模拟退火但很可能出简答题简述模拟退火算法的基本流程和它在配送路径规划中的应用场景。你必须说清楚初始温度、温度衰减系数、Metropolis接受准则以概率接受劣解、终止条件以及它和贪心算法在跳出局部最优上的本质区别。3.6 排序之外的数学考点快速幂与状态压缩快速幂是一个被低估的高频考点。它看起来简单但考法很多求a的b次方模m、矩阵快速幂加速递推、在状态压缩DP中配合位运算使用。裸的快速幂递归实现只有几行代码def quick_pow(a, b, mod): res 1 while b: if b 1: res res * a % mod a a * a % mod b 1 return res注意b可能是0此时返回1 % mod别在b0时直接返回1因为如果mod1结果应该是0。这个边界条件很隐蔽笔试中容易翻车。状态压缩DP也会和快速幂一起出现。比如在一个n×m的棋盘上放棋子任意两个棋子不能相邻问有多少种放法典型的状态压缩DP 位运算枚举。这类题如果n和m范围小不超过20状态压缩DP是标准解法。面试官考这类题一半是考DP思维一半是考位运算的熟练度。4. 配送场景下的业务变种题订单分配、路径规划与运筹优化到了这一part才真正体现点我达这类即时配送公司笔试的独特之处。纯算法题是海选工具业务变种题才是筛选核心算法候选人的分水岭。这类题目不会直接给你一个标准的数据结构题而是把实际的配送业务场景扔出来让你自己建模、自己选算法、自己处理各种约束条件。4.1 路径规划的本质TSP与VRP的简化版题面大概长这样一个骑手需要从站点出发依次前往n个取餐点取餐再送往m个用户地址要求在满足所有订单时效的前提下找到总骑行距离最短的路线。请设计算法。这题本质上是一个带有取送约束的路径规划问题学术界叫PDPPickup and Delivery Problem是VRP的一个变种。笔试中不会要求你求精确最优解——因为这是NP难问题n一旦超过20精确求解就非常困难。它考的是你能否意识到这个问题的复杂性并给出一个合理可执行的近似解方案。合理的回答思路是分层的如果是小规模实例nm不超过10可以退化成TSP用状态压缩DP求精确解。如果是大规模实例用贪心构造初始解最近邻策略、最小插入法再用2-opt / 3-opt局部搜索优化或者用模拟退火、遗传算法做全局优化。别忘了提到约束条件怎么处理骑手必须先到取餐点再到用户地址每个订单有窗口期约束骑手有最大载具容量。这些约束超出题面要求时先拆出去作为进阶扩展在答题时写清楚。答题时建议先给结论和算法选型再画一个简要流程最后写关键代码片段。阅卷人会关注你是否理解精确解 vs 近似解的取舍逻辑以及你能否把业务约束转化为代码中的约束条件。4.2 订单分配从贪心到KM算法另一个常见场景题是有n个骑手和m个订单每个骑手到每个取餐点的距离/时间已知如何把订单分配给骑手使得整体配送时间最短这题的逻辑层次很丰富。如果要求每个骑手最多分配一个订单这是标准的指派问题可以用匈牙利算法KM算法求最优解。但如果允许一个骑手顺路带多个订单模型的复杂度立刻上升近似算法可能是更现实的选择。在笔试中遇到这类题我建议你按这样的结构回答把问题抽象为数学模型定义决策变量x[i][j]表示骑手i是否接单j定义目标函数是总配送时长最小化。分析约束条件每个订单必须被分配每个骑手有最大接单数。如果模型是简单的指派问题用KM算法或匈牙利算法求解时间复杂度O(n³)。如果模型带容量约束指出它是广义指派问题GAP本身是NP难的工程上通常用贪心如最小边际成本优先分配或启发式搜索求解。踩过笔试的坑才知道阅卷人不是要你现场推导出一个NP难问题的多项式解而是想看到你对资源分配问题有系统性的建模能力。哪怕你给出的最终解法是贪心只要能清晰地说明贪心策略的合理性和局限性也是高分答案。4.3 ETA预估与机器学习基础ETA预计到达时间预测是即时配送的核心算法之一笔试中极有可能以简答题或案例分析题的形式出现。题目可能长这样请设计一个模型预测骑手从当前位置到商家再到用户的全程耗时。回答这类问题的框架要清晰数据层面需要历史订单数据、骑手轨迹数据、天气数据、交通数据、商家出餐时长等特征工程层面要考虑距离、时段、天气、骑手熟悉度、商家繁忙程度模型层面可以用梯度提升树XGBoost、LightGBM作为主力模型因为它对表格数据效果好、可解释性也相对强评估层面MAPE平均绝对百分比误差是ETA领域的常用指标。这里有个容易忽略的细节预测任务不只有算一个点估计还要考虑时效性。配送高峰期和低峰期的ETA分布完全不同一个全局模型很难同时拟合两种状态。因此实际工程中经常对数据分层建模比如按城市、按时段、按商家品类分别建模。笔试简答题里提到这一点会明显拉开你和别人的差距。4.4 数据流与实时计算三角不等式与启发式业务变种题中还有一种题型考查的是实时性意识。比如系统每秒产生大量新订单骑手位置也在不断变化如果每次都用全局最优算法重新分配耗时太长有什么实时策略这道题的考点是流式数据下的近似决策能力。你在笔试中如果能主动提及滑动窗口、批处理加微调先对一批订单做全局最优分配新订单到来时用局部贪心插入到现有路径、以及用三角不等式做快速下界估计会让阅卷人眼前一亮。这种题目考的不是你会不会背算法而是你有没有实时调度系统的工程sense。5. 机器学习与数据挖掘考点按业务价值区分出题重点即时配送公司算法团队的工作不只是路径规划和订单匹配还包含供需预测、用户行为分析、智能定价等方向。所以机器学习在笔试中的占比不容小觑。结合2019年前后的行业技术热点我梳理出以下几个最可能出现的考点。5.1 传统机器学习算法KNN、聚类、GBDTKNN是一个看似简单但高频出现的考点。题目典型版本是请简述KNN算法的原理K值对模型性能有什么影响这类题考察的是你有没有真正理解KNN的几何本质样本空间中距离越近的样本类别越可能相同。K值太小容易过拟合K值太大则导致决策边界过于平滑分类错误率上升。还可以提一句KNN的时间复杂度是O(nd)n是样本数d是特征维度——预测阶段需要计算待测样本和所有训练样本的距离所以在高维大数据集上效率极低需要借助KD树或局部敏感哈希加速这一句话就能体现出你的工程直觉。聚类算法里考得最多的是K-Means不外乎让你描述算法流程、如何选择K值、如何评估聚类效果。但点我达这类公司可能会把聚类场景嵌入业务如何对用户地址进行聚类以优化配送区域划分你回答时要能说出K-Means需要预设K值落地时通常用轮廓系数、肘部法则辅助选K样本点主要是经纬度坐标距离计算应该用球面距离Haversine公式而不是欧氏距离——因为你不能把经纬度当作平面坐标系直接算距离。这个细节在业务场景题里是加分项。梯度提升树GBDT/XGBoost/LightGBM当年在机器学习的笔试中已经大量出现。常规考点是XGBoost相比GBDT做了哪些优化至少应该答出四到五点加入正则化项防止过拟合对损失函数做二阶泰勒展开比一阶导数信息更精确支持列抽样可以并行建树在特征维度的分裂点查找上做并行支持自定义损失函数。如果简答题还给了具体的业务场景比如如何预测未来30分钟的订单量你的答案里最好能体现特征工程和模型选择的联动而不仅仅是把模型参数背一遍。5.2 强化学习与运筹优化的交叉考点2019年前后强化学习在调度领域的学术论文呈井喷趋势。笔试不会让你从零推导PPO但简答题很可能会问强化学习与传统运筹优化方法在调度问题上的优缺点对比。答题思路要客观不要一味吹捧强化学习。传统运筹方法整数规划、约束规划、启发式可解释性强、在小规模问题上最优性有保证但面对高维随机环境时建模复杂、求解耗时。强化学习能从历史数据中学习策略、适应环境动态变化但需要大量探索在真实系统中直接试错成本极高通常需要先离线训练再上线微调。在调度场景里业界主流方式其实是将强化学习与规则引擎、启发式方法混合使用用强化学习做全局策略建议用规则做安全兜底。这个混合的判断比单纯站队更成熟。5.3 卡尔曼滤波与时间序列预测有人可能会问配送行业的笔试为什么要考卡尔曼滤波因为骑手轨迹追踪、ETA动态校正、订单量实时预测都涉及对时间序列的滤波和预测。卡尔曼滤波的题大概率是简答题让你描述它的核心思想通过预测和更新两个步骤在观测有噪声的情况下估计系统真实状态。你需要说出状态转移方程、观测方程、预测协方差矩阵、卡尔曼增益以及卡尔曼增益的直觉理解——当观测噪声大时增益变小更相信预测当预测噪声大时增益变大更相信观测。另一个高频考点是ARIMA和指数平滑的基础。比如给一段历史订单量数据问如果要预测未来一个时间窗的订单量你会选择什么模型为什么。关键得分点是先做平稳性检验ADF检验必要时差分看ACF/PACF图定阶用AIC/BIC选择p和q最后用残差白噪声检验验证模型。这种回答思路比直接写我用LSTM预测更有说服力因为在业务数据量和实时性要求下传统统计模型往往比深度学习更实用。5.4 模型评估与过拟合治理机器学习相关的选择题和简答题里模型评估是必考方向。知识点包括准确率、精确率、召回率、F1、AUC、ROC以及过拟合的识别与应对。业务场景中的出题方式是配送超时预测模型中超时订单占比不到5%模型在所有订单上预测准确率高达95%这个模型能用吗答案是不能用因为样本类别极度不平衡准确率是个误导性指标。你需要用PR曲线、召回率和F1评估模型同时要给出针对不均衡数据的治理方案欠采样/过采样、使用class_weight、把问题建模成异常检测、或使用代价敏感学习。能主动说出准确率在类别不均衡时是陷阱指标这一层就能证明你不是只会调包。5.5 深度学习基础只考核心概念2019年校招笔试题中深度学习直接出大题的较少但选择题和简答题会出现基础概念。比如CNN的卷积核和池化层作用、RNN的梯度消失、激活函数的选择、过拟合的Dropout/BatchNorm原理。偶尔有公司会让你手写一个简单的全连接网络反向传播推导——这是深度学习的基础分水岭不会推导真的说不过去。备考建议是深度学习部分不用去啃复杂的新型网络结构把反向传播、梯度下降、常见损失函数和TensorFlow/PyTorch的基本用法吃透就足够了。6. 备战时间轴与避坑经验从投递简历到笔试当天的关键节点讲了这么多考点最后聊点务实的备考计划和笔试现场策略。算法笔试不只是一场知识储备的考试更是一场时间管理、心态管理和细节管理的综合较量。6.1 建议的四阶段备考计划第一到二周基础复习期。把数据结构和算法的基础知识过一遍重点是数组、链表、栈、队列、哈希表、树、图、排序、二分查找。每天抽两小时刷LeetCode的Easy和Medium题目标是建立手感。第三到四周专题突破期。集中刷动态规划、贪心算法、图论最短路、字符串匹配等高频专题。这一阶段推荐按题型分类刷题而不是按题号刷。每道题做三遍第一遍独立思考第二遍看题解后自己实现第三遍隔三天复写。三遍法看着慢但效果远好于每道题只过一遍。第五周业务场景题专项。开始看运筹优化、路径规划、指派问题、VRP简化题这些和配送业务相关的题目。这一步是在补别人一般不准备的板块——也是你和普通候选人拉开差距的地方。可以去了解一下开源库如OR-Tools的求解思路但笔试中更重要的是手动建模和经典求解算法的实现。考前一周模拟考试。找两套往年题严格按照笔试时间限制做期间不能翻书、不能查看资料。模考的目的有三个判断自己的做题节奏、暴露知识盲区、检验代码手写能力。模考中一旦出现卡壳超过20分钟的题目果断放弃先保中等难度题的AC率。6.2 笔试中的三个关键操作细节第一阅读题目时圈出关键约束。数据范围决定算法选型n≤20时考虑状态压缩DP或暴力搜索n≤10^3时O(n²)可接受n≤10^5时O(n log n)是常态n≤10^7时必须O(n)。很多同学不看数据范围就开写结果选择了错误复杂度的算法测试用例一跑必然超时。第二不要追求一次AC。先写出一个能过样例的暴力解法拿到保底分然后在此基础上优化。笔试系统通常是按测试用例通过比例给分暴力解哪怕只过了60%的用例也比一个没调通的最优解强得多。第三写代码时注意输入输出格式。很多非互联网公司的笔试沿用传统OJ风格输入输出格式有严格约定。比如多组输入意味着你需要循环读取数据直到EOF而不是只处理一组。这个细节每年都能淘汰一批实力不错的候选人。6.3 常见翻车点专项提醒有些错误我亲眼见过很多人反复犯这里集中列一下递归忘记写终止条件。这是笔试环境中压力所致但最容易避免。写递归时先写出口再写递归逻辑。KMP的next数组边界。n1时next[0]应该是-1还是0不同定义不同写之前明确自己的定义。动态规划的dp数组初始化不完整。有多次查询时dp数组需要重新初始化不然上一次的结果残留导致错误。浮点数比较用等号。涉及路径长度、概率计算时浮点数要用差值小于某个epsilon来判断。栈溢出。如果数据范围大优先把递归改成迭代。尤其是深度优先搜索在树/图上的遍历数据量一上来递归栈说爆就爆。6.4 笔试当天的策略建议考试开始后先花两分钟通读全部题目在心里给每道题标一个难度预期耗时的标签。然后按照以下顺序作答先做有把握拿满分的题目再做中等难度的题目最后啃难题。选择题和简答题不要空着不会的也要蒙一个——笔试很多是机器改卷选择题蒙对的概率至少不是零。编程题建议在本地IDE跑通样例后再提交不要盲目相信在线编辑器的代码没问题。如果在线编辑器没有本地调试功能也要在脑海里逐步模拟小数据样例。宁可多花五分钟自查一个边界条件也不要为了抢时间连续提交错误的代码——部分笔试有提交次数影响最终得分的规则。从我个人的备考经验来看校招笔试考察的不只是知识积累更是你在有限时间内解决问题的思维方式。点我达2019届校招算法笔试这类以供应链、物流调度为业务背景的题目恰恰是锻炼这种思维方式的好素材。即便你不投递这家公司也建议把这类业务场景算法选型的题目做几道它对算法综合素质的提升比单纯刷LeetCode有效得多。最后分享一个我从这些题目里悟到的小技巧当题目出现配送网格容量时效这些词时先别急着动手花30秒在草稿纸上把业务参数映射成算法参数。订单数量是n骑手数量是m时间窗是约束条件目标是最大利润——映射完你就会发现题面再花哨内核还是那个你刷过无数遍的经典算法。这种翻译能力才是校招笔试真正想考核的东西。 点我达2019届校招算法笔试高频考点与备战策略解析
1. 为什么一家即时配送公司的算法笔试值得认真对待如果你准备过互联网大厂的算法校招一定对题海战术这套流程不陌生LeetCode刷个几百题、笔试现场两小时拼手速、靠AC数量定生死。但如果你把同样的备考思路原封不动地带到点我达2019届校招算法笔试大概率会碰一鼻子灰。点我达是一家做即时配送的众包物流平台业务核心是如何用算法让数百万骑手在最短时间内把订单送到用户手里。这个业务场景决定了它的算法笔试和纯互联网公司有本质区别它更重视你对算法原理的理解深度、对业务问题的建模能力以及在一堆约束条件下做取舍的判断力。笔试不会只考给你一个数组求最大子序和这种脱离业务的标准题而是会把算法藏在配送场景的壳子下面考察你能不能认出本质、能不能把算法思想迁移过来。2019届校招这个时间点也比较特殊。那几年正是即时配送行业从粗放扩张转向精细化运营的关键阶段各家平台都在疯狂招算法人才笔试题目也从早期的会写代码就行逐渐演变出既要懂算法又要懂业务的风格。所以这份笔试的备考逻辑放到今天依然有很强的参考价值——算法题可能会变但考察的底层能力和出题思路基本稳定。这篇文章适合三类人看准备投递即时配送/物流/本地生活类公司算法岗的应届生正在系统复习数据结构和算法、想知道校招笔试到底怎么出题的在校生以及单纯对配送调度算法感兴趣、想了解这类公司算法团队日常解决什么问题的技术从业者。我会结合点我达的业务特点把笔试中可能出现的高频考点、出题逻辑和备考策略一块儿拆开讲清楚。2. 题型结构与时间分布从真题比例看复习优先级先说笔试的整体基调。2019届校招的技术笔试通常在线完成时长一般控制在90到120分钟。题量大、时间紧是常态很少有同学能从容地把所有题做完。所以拿到试卷第一件事不是闷头做题而是快速浏览全卷判断哪些题必须拿分、哪些题可以战略性放弃。2.1 题型占比的合理预估根据那个阶段即时配送行业算法岗笔试的普遍风格结合点我达的业务技术栈题型分布大致可以参考下表题型预估占比主要考察方向答题策略单选题/多选题30%-40%数据结构、概率统计、机器学习基础、算法复杂度快速作答不恋战简答题10%-15%算法原理阐述、场景建模思路分点作答逻辑清晰编程题40%-50%算法实现、业务变种题先写暴力解保底再优化选择题占比不小而且覆盖的知识面非常杂。比如给定一个无向图的邻接矩阵判断其连通性、快排在最坏情况下的时间复杂度是多少、一个事件发生的概率是P重复n次至少发生一次的概率是多少这类题都有可能出现。选择题的难点不在单题难度而在知识面的广度——数据结构、概率论、机器学习基础、线性代数全都得有一定储备。2.2 时间分配建议我的建议是把时间按40%给编程题30%给选择题20%给简答题10%机动来切分。为什么编程题反而要留最大块时间因为编程题得分是按测试用例通过的百分比算的AC一道难题可能比做对十道选择题拿到的分数还高。而且编程题往往有部分分你的暴力解法哪怕只能过30%的用例也比空白提交强。选择题如果遇到没把握的别纠结先在草稿纸上记录题号做完其他题再回头检查。简答题要用结论先行、分点展开的格式写阅卷人没有时间看长篇大论你的答案最好让他在15秒内抓到采分点。2.3 题目难度梯度笔试的出题逻辑通常是前面几道选择题垫底让大多数人不至于空手而归中间部分开始区分度拉高最后一道编程题是压轴题专门筛选顶尖候选人。所以如果你在前半程卡住了先跳过压轴题哪怕只能写个思路也要把注释和伪代码写上去经常会有过程分。这和算法竞赛过不了样例就零分的规则完全不同校招笔试更看重你解决问题的思维过程和代码习惯。3. 基础算法考点逐项拆解高频题型的出题逻辑无论业务怎么包装算法笔试的底层考点永远跑不出那几大类。我见过很多同学把大量时间花在偏、难、怪的竞赛题上结果笔试里最基础的动态规划都没写出来非常可惜。基础算法永远是笔试的基本盘先把这些吃透再去琢磨业务变种题。3.1 字符串匹配与KMP算法字符串匹配几乎是每次笔试的常客。像在KMP算法中对于模式串pabacaba其next数组next[i]定义为…这类题目考察的就是你对next数组求解逻辑的掌握程度。很多人对KMP的理解停留在背模板层面问next数组就只会默写。但要真正应付笔试你得知道next数组的语义是当前位失配后模式串指针应该回退到哪里以及为什么它能保证线性时间复杂度——因为主串指针从不回退每次失配后模式串的移动步数都有下界保证。我记得一个很容易翻车的细节KMP有两种next数组的写法一种的next[i]表示i之前的子串中最长相等前后缀的长度另一种的next[i]表示失配后跳转的位置这两种写法会差一个偏移。如果你只背了其中一种模板遇到需要手算next数组的题就很容易错。建议考前把两种写法都推一遍理解它们之间的换算关系。笔试中还有可能让你直接补全KMP的匹配函数。这时候不只是写对逻辑还要注意代码风格变量命名清晰、边界条件处理妥当。阅卷系统对这类题经常是跑测试用例判分一个写成就是零分所以写完务必自查一遍。3.2 经典排序与复杂度分析排序算法的考察永远不会缺席。从冒泡排序、插入排序这种O(n²)级别的入门算法到快排、归并排序、堆排序这些O(n log n)级别的常客再到桶排序、基数排序这些线性时间复杂度的非比较排序全都在考纲范围内。笔试最常见的一种出题方式是给一个特定场景让你选择最优排序算法。比如对一个几乎有序的数组排序哪个算法最快——答案是插入排序因为它在近乎有序的数组上可以达到O(n)的时间复杂度。再比如数据量极大且内存有限无法一次性载入应该用什么排序——答案是外部排序归并排序的外延。这类题考的不是背复杂度表而是对算法在不同数据分布下的性能有直觉。另一个高频考点是快排的时间复杂度推导和优化策略。标准快排在完全逆序的输入上会退化到O(n²)原因在于每次partition只把序列分成1和n-1两部分。优化手段有随机选择基准值、三数取中法、在数据量小的时候切换到插入排序、以及循环展开和尾递归优化。笔试中如果让你实现快排最好直接写个三数取中小区间插入排序的工程版本既展示了对性能的敏感度又能保证所有测试用例通过。3.3 动态规划从背包问题到区间DP动态规划是校招笔试的压轴常客分值高、区分度大。基础版本是经典背包问题0-1背包、完全背包、多重背包以及它们的变种。进阶版本是区间DP、状态压缩DP、树形DP。背包问题的核心是状态定义和转移方程。以0-1背包为例dp[i][j]表示前i个物品在容量为j的背包中的最大价值转移方程是dp[i][j] max(dp[i-1][j], dp[i-1][j-w[i]] v[i])。很多同学能写出二维版本但一维优化的版本就懵了。一维优化的关键在于逆序遍历容量保证每个物品最多被选一次。如果是完全背包则正序遍历容量——因为每个物品可以被选多次。笔试中动态规划题很少直接说这是个背包问题通常会包装成具体场景。比如骑手一天有T小时可用有n种订单任务每种任务耗时t[i]、收益p[i]每种任务最多只能接一次问如何选择任务使收益最大——本质就是0-1背包。读题时把变量映射到背包问题的框架里比现场硬想快得多。还有一个高频细节dp数组的初始化。很多同学栽在dp[0]应该等于多少这个问题上。如果求的是最大值且所有价值都是正数初始化为0没问题如果求的是最小值就要初始化成无穷大。涉及恰好装满和不超过容量两种语义时初始化策略完全不同。这是笔试中极易丢分的坑点建议专门拿两道经典题练熟。3.4 图论最短路与最小生成树图论基础考点集中在Dijkstra算法、Floyd算法、Prim/Kruskal最小生成树算法以及拓扑排序。其中Dijkstra是最高频的一个。Dijkstra算法的前提是边的权重非负它的核心思想是贪心加动态规划每次从未确定最短距离的节点中选出距离最小的节点然后松弛它的邻接边。如果用朴素实现时间复杂度O(V²)如果使用优先队列最小堆优化复杂度降到O((VE)logV)。笔试中如果边的数量很大优先队列版本是必须的否则超时没商量。最容易出错的地方是使用优先队列时存在重复入队。先入队的节点可能在后续被更新为更小的距离所以当你从堆里拿出来一个节点先判断当前取出的距离是否大于它的已知最短距离如果大于就跳过。这个过期节点跳过的判断忘记写了就会出现答案错误。最小生成树相关题目出题频率稍低但一旦出就是综合题。例如给一个配送网络图求连接所有站点的最低建设成本——就是裸的最小生成树。Kruskal算法按边权排序后用并查集维护连通性Prim算法从任意节点出发逐步扩展生成树。两种算法都要能手写出来笔试不提供模板。3.5 贪心算法与模拟退火等启发式思想与动规和图论相比贪心算法的出题频率很高因为它的题目形态多样而且非常考验思维的严密性。有时候一道题用贪心可以得出最优解有时候贪心只能得出近似解题目会特意考察你能不能判断贪心是否成立。比如区间调度问题选择最多不重叠的区间可以用贪心按结束时间排序即可但给定一组任务和完成每个任务的截止时间求最大收益的调度方案就需要排序优先队列的贪心策略。这类题的特点是如果不严格证明贪心选择的正确性很容易写出一个看着对、实际全错的解法。算法笔试偶尔也会出现一些启发式算法的简答题比如模拟退火、粒子群、遗传算法的原理说明。2019年前后物流和配送行业对路径规划的需求暴涨这些启发式算法因为能解决NP难问题而被频繁提及。笔试中可能不会要求你实现完整的模拟退火但很可能出简答题简述模拟退火算法的基本流程和它在配送路径规划中的应用场景。你必须说清楚初始温度、温度衰减系数、Metropolis接受准则以概率接受劣解、终止条件以及它和贪心算法在跳出局部最优上的本质区别。3.6 排序之外的数学考点快速幂与状态压缩快速幂是一个被低估的高频考点。它看起来简单但考法很多求a的b次方模m、矩阵快速幂加速递推、在状态压缩DP中配合位运算使用。裸的快速幂递归实现只有几行代码def quick_pow(a, b, mod): res 1 while b: if b 1: res res * a % mod a a * a % mod b 1 return res注意b可能是0此时返回1 % mod别在b0时直接返回1因为如果mod1结果应该是0。这个边界条件很隐蔽笔试中容易翻车。状态压缩DP也会和快速幂一起出现。比如在一个n×m的棋盘上放棋子任意两个棋子不能相邻问有多少种放法典型的状态压缩DP 位运算枚举。这类题如果n和m范围小不超过20状态压缩DP是标准解法。面试官考这类题一半是考DP思维一半是考位运算的熟练度。4. 配送场景下的业务变种题订单分配、路径规划与运筹优化到了这一part才真正体现点我达这类即时配送公司笔试的独特之处。纯算法题是海选工具业务变种题才是筛选核心算法候选人的分水岭。这类题目不会直接给你一个标准的数据结构题而是把实际的配送业务场景扔出来让你自己建模、自己选算法、自己处理各种约束条件。4.1 路径规划的本质TSP与VRP的简化版题面大概长这样一个骑手需要从站点出发依次前往n个取餐点取餐再送往m个用户地址要求在满足所有订单时效的前提下找到总骑行距离最短的路线。请设计算法。这题本质上是一个带有取送约束的路径规划问题学术界叫PDPPickup and Delivery Problem是VRP的一个变种。笔试中不会要求你求精确最优解——因为这是NP难问题n一旦超过20精确求解就非常困难。它考的是你能否意识到这个问题的复杂性并给出一个合理可执行的近似解方案。合理的回答思路是分层的如果是小规模实例nm不超过10可以退化成TSP用状态压缩DP求精确解。如果是大规模实例用贪心构造初始解最近邻策略、最小插入法再用2-opt / 3-opt局部搜索优化或者用模拟退火、遗传算法做全局优化。别忘了提到约束条件怎么处理骑手必须先到取餐点再到用户地址每个订单有窗口期约束骑手有最大载具容量。这些约束超出题面要求时先拆出去作为进阶扩展在答题时写清楚。答题时建议先给结论和算法选型再画一个简要流程最后写关键代码片段。阅卷人会关注你是否理解精确解 vs 近似解的取舍逻辑以及你能否把业务约束转化为代码中的约束条件。4.2 订单分配从贪心到KM算法另一个常见场景题是有n个骑手和m个订单每个骑手到每个取餐点的距离/时间已知如何把订单分配给骑手使得整体配送时间最短这题的逻辑层次很丰富。如果要求每个骑手最多分配一个订单这是标准的指派问题可以用匈牙利算法KM算法求最优解。但如果允许一个骑手顺路带多个订单模型的复杂度立刻上升近似算法可能是更现实的选择。在笔试中遇到这类题我建议你按这样的结构回答把问题抽象为数学模型定义决策变量x[i][j]表示骑手i是否接单j定义目标函数是总配送时长最小化。分析约束条件每个订单必须被分配每个骑手有最大接单数。如果模型是简单的指派问题用KM算法或匈牙利算法求解时间复杂度O(n³)。如果模型带容量约束指出它是广义指派问题GAP本身是NP难的工程上通常用贪心如最小边际成本优先分配或启发式搜索求解。踩过笔试的坑才知道阅卷人不是要你现场推导出一个NP难问题的多项式解而是想看到你对资源分配问题有系统性的建模能力。哪怕你给出的最终解法是贪心只要能清晰地说明贪心策略的合理性和局限性也是高分答案。4.3 ETA预估与机器学习基础ETA预计到达时间预测是即时配送的核心算法之一笔试中极有可能以简答题或案例分析题的形式出现。题目可能长这样请设计一个模型预测骑手从当前位置到商家再到用户的全程耗时。回答这类问题的框架要清晰数据层面需要历史订单数据、骑手轨迹数据、天气数据、交通数据、商家出餐时长等特征工程层面要考虑距离、时段、天气、骑手熟悉度、商家繁忙程度模型层面可以用梯度提升树XGBoost、LightGBM作为主力模型因为它对表格数据效果好、可解释性也相对强评估层面MAPE平均绝对百分比误差是ETA领域的常用指标。这里有个容易忽略的细节预测任务不只有算一个点估计还要考虑时效性。配送高峰期和低峰期的ETA分布完全不同一个全局模型很难同时拟合两种状态。因此实际工程中经常对数据分层建模比如按城市、按时段、按商家品类分别建模。笔试简答题里提到这一点会明显拉开你和别人的差距。4.4 数据流与实时计算三角不等式与启发式业务变种题中还有一种题型考查的是实时性意识。比如系统每秒产生大量新订单骑手位置也在不断变化如果每次都用全局最优算法重新分配耗时太长有什么实时策略这道题的考点是流式数据下的近似决策能力。你在笔试中如果能主动提及滑动窗口、批处理加微调先对一批订单做全局最优分配新订单到来时用局部贪心插入到现有路径、以及用三角不等式做快速下界估计会让阅卷人眼前一亮。这种题目考的不是你会不会背算法而是你有没有实时调度系统的工程sense。5. 机器学习与数据挖掘考点按业务价值区分出题重点即时配送公司算法团队的工作不只是路径规划和订单匹配还包含供需预测、用户行为分析、智能定价等方向。所以机器学习在笔试中的占比不容小觑。结合2019年前后的行业技术热点我梳理出以下几个最可能出现的考点。5.1 传统机器学习算法KNN、聚类、GBDTKNN是一个看似简单但高频出现的考点。题目典型版本是请简述KNN算法的原理K值对模型性能有什么影响这类题考察的是你有没有真正理解KNN的几何本质样本空间中距离越近的样本类别越可能相同。K值太小容易过拟合K值太大则导致决策边界过于平滑分类错误率上升。还可以提一句KNN的时间复杂度是O(nd)n是样本数d是特征维度——预测阶段需要计算待测样本和所有训练样本的距离所以在高维大数据集上效率极低需要借助KD树或局部敏感哈希加速这一句话就能体现出你的工程直觉。聚类算法里考得最多的是K-Means不外乎让你描述算法流程、如何选择K值、如何评估聚类效果。但点我达这类公司可能会把聚类场景嵌入业务如何对用户地址进行聚类以优化配送区域划分你回答时要能说出K-Means需要预设K值落地时通常用轮廓系数、肘部法则辅助选K样本点主要是经纬度坐标距离计算应该用球面距离Haversine公式而不是欧氏距离——因为你不能把经纬度当作平面坐标系直接算距离。这个细节在业务场景题里是加分项。梯度提升树GBDT/XGBoost/LightGBM当年在机器学习的笔试中已经大量出现。常规考点是XGBoost相比GBDT做了哪些优化至少应该答出四到五点加入正则化项防止过拟合对损失函数做二阶泰勒展开比一阶导数信息更精确支持列抽样可以并行建树在特征维度的分裂点查找上做并行支持自定义损失函数。如果简答题还给了具体的业务场景比如如何预测未来30分钟的订单量你的答案里最好能体现特征工程和模型选择的联动而不仅仅是把模型参数背一遍。5.2 强化学习与运筹优化的交叉考点2019年前后强化学习在调度领域的学术论文呈井喷趋势。笔试不会让你从零推导PPO但简答题很可能会问强化学习与传统运筹优化方法在调度问题上的优缺点对比。答题思路要客观不要一味吹捧强化学习。传统运筹方法整数规划、约束规划、启发式可解释性强、在小规模问题上最优性有保证但面对高维随机环境时建模复杂、求解耗时。强化学习能从历史数据中学习策略、适应环境动态变化但需要大量探索在真实系统中直接试错成本极高通常需要先离线训练再上线微调。在调度场景里业界主流方式其实是将强化学习与规则引擎、启发式方法混合使用用强化学习做全局策略建议用规则做安全兜底。这个混合的判断比单纯站队更成熟。5.3 卡尔曼滤波与时间序列预测有人可能会问配送行业的笔试为什么要考卡尔曼滤波因为骑手轨迹追踪、ETA动态校正、订单量实时预测都涉及对时间序列的滤波和预测。卡尔曼滤波的题大概率是简答题让你描述它的核心思想通过预测和更新两个步骤在观测有噪声的情况下估计系统真实状态。你需要说出状态转移方程、观测方程、预测协方差矩阵、卡尔曼增益以及卡尔曼增益的直觉理解——当观测噪声大时增益变小更相信预测当预测噪声大时增益变大更相信观测。另一个高频考点是ARIMA和指数平滑的基础。比如给一段历史订单量数据问如果要预测未来一个时间窗的订单量你会选择什么模型为什么。关键得分点是先做平稳性检验ADF检验必要时差分看ACF/PACF图定阶用AIC/BIC选择p和q最后用残差白噪声检验验证模型。这种回答思路比直接写我用LSTM预测更有说服力因为在业务数据量和实时性要求下传统统计模型往往比深度学习更实用。5.4 模型评估与过拟合治理机器学习相关的选择题和简答题里模型评估是必考方向。知识点包括准确率、精确率、召回率、F1、AUC、ROC以及过拟合的识别与应对。业务场景中的出题方式是配送超时预测模型中超时订单占比不到5%模型在所有订单上预测准确率高达95%这个模型能用吗答案是不能用因为样本类别极度不平衡准确率是个误导性指标。你需要用PR曲线、召回率和F1评估模型同时要给出针对不均衡数据的治理方案欠采样/过采样、使用class_weight、把问题建模成异常检测、或使用代价敏感学习。能主动说出准确率在类别不均衡时是陷阱指标这一层就能证明你不是只会调包。5.5 深度学习基础只考核心概念2019年校招笔试题中深度学习直接出大题的较少但选择题和简答题会出现基础概念。比如CNN的卷积核和池化层作用、RNN的梯度消失、激活函数的选择、过拟合的Dropout/BatchNorm原理。偶尔有公司会让你手写一个简单的全连接网络反向传播推导——这是深度学习的基础分水岭不会推导真的说不过去。备考建议是深度学习部分不用去啃复杂的新型网络结构把反向传播、梯度下降、常见损失函数和TensorFlow/PyTorch的基本用法吃透就足够了。6. 备战时间轴与避坑经验从投递简历到笔试当天的关键节点讲了这么多考点最后聊点务实的备考计划和笔试现场策略。算法笔试不只是一场知识储备的考试更是一场时间管理、心态管理和细节管理的综合较量。6.1 建议的四阶段备考计划第一到二周基础复习期。把数据结构和算法的基础知识过一遍重点是数组、链表、栈、队列、哈希表、树、图、排序、二分查找。每天抽两小时刷LeetCode的Easy和Medium题目标是建立手感。第三到四周专题突破期。集中刷动态规划、贪心算法、图论最短路、字符串匹配等高频专题。这一阶段推荐按题型分类刷题而不是按题号刷。每道题做三遍第一遍独立思考第二遍看题解后自己实现第三遍隔三天复写。三遍法看着慢但效果远好于每道题只过一遍。第五周业务场景题专项。开始看运筹优化、路径规划、指派问题、VRP简化题这些和配送业务相关的题目。这一步是在补别人一般不准备的板块——也是你和普通候选人拉开差距的地方。可以去了解一下开源库如OR-Tools的求解思路但笔试中更重要的是手动建模和经典求解算法的实现。考前一周模拟考试。找两套往年题严格按照笔试时间限制做期间不能翻书、不能查看资料。模考的目的有三个判断自己的做题节奏、暴露知识盲区、检验代码手写能力。模考中一旦出现卡壳超过20分钟的题目果断放弃先保中等难度题的AC率。6.2 笔试中的三个关键操作细节第一阅读题目时圈出关键约束。数据范围决定算法选型n≤20时考虑状态压缩DP或暴力搜索n≤10^3时O(n²)可接受n≤10^5时O(n log n)是常态n≤10^7时必须O(n)。很多同学不看数据范围就开写结果选择了错误复杂度的算法测试用例一跑必然超时。第二不要追求一次AC。先写出一个能过样例的暴力解法拿到保底分然后在此基础上优化。笔试系统通常是按测试用例通过比例给分暴力解哪怕只过了60%的用例也比一个没调通的最优解强得多。第三写代码时注意输入输出格式。很多非互联网公司的笔试沿用传统OJ风格输入输出格式有严格约定。比如多组输入意味着你需要循环读取数据直到EOF而不是只处理一组。这个细节每年都能淘汰一批实力不错的候选人。6.3 常见翻车点专项提醒有些错误我亲眼见过很多人反复犯这里集中列一下递归忘记写终止条件。这是笔试环境中压力所致但最容易避免。写递归时先写出口再写递归逻辑。KMP的next数组边界。n1时next[0]应该是-1还是0不同定义不同写之前明确自己的定义。动态规划的dp数组初始化不完整。有多次查询时dp数组需要重新初始化不然上一次的结果残留导致错误。浮点数比较用等号。涉及路径长度、概率计算时浮点数要用差值小于某个epsilon来判断。栈溢出。如果数据范围大优先把递归改成迭代。尤其是深度优先搜索在树/图上的遍历数据量一上来递归栈说爆就爆。6.4 笔试当天的策略建议考试开始后先花两分钟通读全部题目在心里给每道题标一个难度预期耗时的标签。然后按照以下顺序作答先做有把握拿满分的题目再做中等难度的题目最后啃难题。选择题和简答题不要空着不会的也要蒙一个——笔试很多是机器改卷选择题蒙对的概率至少不是零。编程题建议在本地IDE跑通样例后再提交不要盲目相信在线编辑器的代码没问题。如果在线编辑器没有本地调试功能也要在脑海里逐步模拟小数据样例。宁可多花五分钟自查一个边界条件也不要为了抢时间连续提交错误的代码——部分笔试有提交次数影响最终得分的规则。从我个人的备考经验来看校招笔试考察的不只是知识积累更是你在有限时间内解决问题的思维方式。点我达2019届校招算法笔试这类以供应链、物流调度为业务背景的题目恰恰是锻炼这种思维方式的好素材。即便你不投递这家公司也建议把这类业务场景算法选型的题目做几道它对算法综合素质的提升比单纯刷LeetCode有效得多。最后分享一个我从这些题目里悟到的小技巧当题目出现配送网格容量时效这些词时先别急着动手花30秒在草稿纸上把业务参数映射成算法参数。订单数量是n骑手数量是m时间窗是约束条件目标是最大利润——映射完你就会发现题面再花哨内核还是那个你刷过无数遍的经典算法。这种翻译能力才是校招笔试真正想考核的东西。