Algorithm on H&W

Bit Twiddling Hacks 常用位运算技巧总结

Wed, 27 May 2026 22:15:00 +0800

Bit Twiddling Hacks 常用位运算技巧总结

来源整理自 Bit Twiddling Hacks，这里只归纳工程里最常见、最实用的一批技巧。
风格保持和 common-algorithm-patterns.md 一致：每个技巧只保留解释 + 代码框架（C++）。

常见算法套路

Wed, 27 May 2026 21:40:00 +0800

常见算法套路

1) 框架思维（遍历是核心）

解释

很多题目本质是「遍历某种结构」：数组、链表、树、图。先确定数据结构，再确定遍历顺序，最后把业务判断填进遍历骨架。

代码框架

#include <vector>
using namespace std;

struct ListNode {
    int val;
    ListNode* next;
};

struct TreeNode {
    int val;
    TreeNode* left;
    TreeNode* right;
};

void processValue(int x) {
    // TODO: 业务处理
    (void)x;
}

void traverseArray(const vector<int>& nums) {
    for (int i = 0; i < (int)nums.size(); ++i) {
        processValue(nums[i]);
    }
}

void traverseList(ListNode* head) {
    for (ListNode* p = head; p != nullptr; p = p->next) {
        processValue(p->val);
    }
}

void traverseTree(TreeNode* root) {
    if (root == nullptr) return;
    // 前序位置
    processValue(root->val);
    traverseTree(root->left);
    traverseTree(root->right);
    // 后序位置
}

2) 二分查找（缩小搜索空间）

解释

当问题满足单调性（答案在一边）时，用二分不断折半区间。关键在区间定义一致（闭区间或左闭右开）和边界收缩逻辑一致。

[GLP] Why it runing slow?

Wed, 07 Jul 2021 11:36:45 +0800

今天一个同事甩我一段代码，让我实现功能，说是对图片做半透明太慢了

我拿到手头一看，代码是这样的，据说是一个别的组算法厉害的大神写的

# -*- coding: utf-8 -*-
import numpy as np
import os
import cv2
def put_mask(img_path,output_fold):
    image = cv2.imread(r'E:\testdemo.jpg')
    bbox1 = [72,41,208,330]
    bbox2 = [100,80,248,334]
    zeros1 = np.zeros((image.shape), dtype=np.uint8)
    zeros2 = np.zeros((image.shape), dtype=np.uint8)
    zeros_mask1 = cv2.rectangle(zeros1, (bbox1[0], bbox1[1]), (bbox1[2], bbox1[3]),color=(0,0,255), thickness=-1 ) 
    zeros_mask2 = cv2.rectangle(zeros2, (bbox2[0], bbox2[1]), (bbox2[2], bbox2[3]),color=(0, 255, 0), thickness=-1)
    zeros_mask = np.array((zeros_mask1 + zeros_mask2))
    try:
      # alpha 为第一张图片的透明度
        alpha = 1
        # beta 为第二张图片的透明度
        beta = 0.5
        gamma = 0
        # cv2.addWeighted 将原始图片与 mask 融合
        mask_img = cv2.addWeighted(image, alpha, zeros_mask, beta, gamma)
        cv2.imwrite(os.path.join(output_fold,'mask_img.jpg'), mask_img)
    except:
        print('异常')
    put_mask(img_path = '107.jpg', output_fold='E:\output')

我看了之后只是觉得，这代码写的太草率了吧，大家都说python简单，没错，是简单，但是也不能乱写吧。这一看就是把mask层放大到和图片一样大，再做addWeighted，addweight本来就慢，还变成大的来做，就不能只对小的部分做完再拼回去么，于是我写了一下测试代码如下，这甚至都谈不上什么算法，只是工程上的直觉而已，一个个像素处理，自然是能少处理就少处理一些，也才能块一些呗

# -*- coding: utf-8 -*-
import cv
def combine_two_color_images(image1, image2):
    masklayer, background = image1.copy(), image2.copy()
    masklayer_height = masklayer.shape[0]
    masklayer_width = masklayer.shape[1]
    alpha =0.5
    # do composite on the upper-left corner of the background image.
    blended_portion = cv.addWeighted(masklayer,
                alpha,
                background[:masklayer_height,:masklayer_width,:],
                1 - alpha,
                0,
                background)
    background[:masklayer_height,:masklayer_width,:] = blended_portion
    cv.imshow('composited image', background)
    cv.waitKey(10000)

结果测下来，快了非常多，以前慢的感觉完全不存在了，主要原因，我们的mask层，一般只有200 * 200，但是图片大小是1960 * 1080，这个处理级别一下就差了50倍左右，然后我们一般每小时要处理上万张图片的数量级，所以这个差距就差很多了。写代码还是要把效率放心上才是。
吐槽完毕。

[Autodesk] Play With bloomfilter

Fri, 07 Aug 2020 11:38:41 +0800

BloomFilter概念

布隆过滤器的原理是，当一个元素被加入集合时，通过K个散列函数将这个元素映射成一个位数组中的K个点，把它们置为1。检索时，我们只要看看这些点是不是都是1就（大约）知道集合中有没有它了：如果这些点有任何一个0，则被检元素一定不在；如果都是1，则被检元素很可能在。这就是布隆过滤器的基本思想。 Bloom Filter跟单哈希函数Bit-Map不同之处在于：Bloom Filter使用了k个哈希函数，每个字符串跟k个bit对应。从而降低了冲突的概率。