如果要写出简洁而高效的程序，每个程序员都绕不开数据结构和算法这部分。那么怎么提升数据结构方面的算法能力呢？我认为主要是从基础和应用这两方面着手。

基础部分指的是对于基本概念是否清晰理解，基本的数据结构是否完全掌握。

例如：

什么是线性表。线性表的顺序表、单链表、双链表、循环链表的结构定义和操作是否能够代码实现；

什么是栈、顺序栈和链式栈的结构定义和操作是否能够代码实现。

什么是队列、顺序队列和链式队列的结构定义和操作是否能够代码实现。

什么是树、二叉树的各种遍历是否能够代码实现。

什么是图、图的表示和遍历算法。。。。

当数据结构的知识掌握了才正式的深入算法知识。因为算法是基于某种选择的数据结构的。

对于算法的时间复杂度和空间复杂的的理解和计算，对于常见算法的掌握。需要掌握基本的排序算法和查找算法，例如查找的二分查找、索引查找、哈希查找；经典的十大查找算法，选择排序，冒泡排序、插入排序、堆排序、快速排序等等，常用要能够代码实现。

数据结构知识和算法知识是我们实际解决解决问题的基元，如何提高算法能力就涉及如何将数据结构和算法应用于特定的场景，以及在实际使用中该如何选择对应算法。

算法的精髓在于分析和比较，要想清楚在什么时候，为什么使用这个算法。

比如说平衡搜索树，我们为什么要平衡呢？因为平衡可以减小树的最大深度，从而减小搜索时的最坏时间复杂度。但我们不做平衡又会怎么样呢？又适合哪些场景呢？平衡的代价和搜索的代价如何权衡？比如说我们的数据结构不在内存中，那这个时候重新平衡的代价就要大的多，这也是为什么多数数据库系统并不采用avl和红黑树的原因之一。那我如果就要用avl做个disk的数据库又会怎么样呢？可不可以呢？其实也可以，但我们算法和数据结构也要作出相应的调整。

又比如说二叉堆的插入操作的最坏时间复杂度是O(log n), 因为有可能一直换到根结点，但平均时间复杂度是多少呢？是O(1), 想想看是为什么？为什么会是收敛的呢？十分类似的思路，在n个数中找出top K个数的复杂度是O(n)。我觉得这些思考和证明的过程才是算法的精华。

当然了知道了问题的解决核心思路又给出了具体的解决方案，剩下就是不断去实现，不断去多见多解决其他问题的重复过程，你会发现实际应用中存在某些结构变化或者是算法方面的平衡，是考虑时间优先、空间优先、为了效率牺牲稳定等等问题。比如最简单的一维数组排序。最最简单的方法就是冒泡，这就是一种穷举，所以复杂度很高。箱式排序复杂度就降低了，但是他的代价是需要额外空间了，这就是空间换时间。再接下去还有二叉树排序，他的空间代价更大，结构更复杂， 所以就会更快。再接下去，如果我牺牲稳定度，采取不稳定排序，我还能采取更快的快速排序。那么在遇到实际应用时该如何抉择。

只有基础与应用并行，那么数据结构方面的算法能力就会不断提升。