这门课聚焦算法原理与代码落地的衔接，常见问题包括剪枝位置错误（应置于for循环内path.append前而非递归后）和heapq自定义比较需用元组封装。
这门课不是算法题库刷题课，也不是纯理论推导课——它卡在原理和落地之间，容易让人听完觉得“懂了”，一写代码就卡在 heapq.heappush 的参数顺序或 UnionFind 的路径压缩写法上。
为什么递归回溯总超时？关键在剪枝条件的位置
很多学员把剪枝逻辑写在递归函数开头，比如先判断 if current_sum > target 再 return，但实际应前置到 for 循环体内、每次生成新路径前就拦截。否则仍会构造大量无效节点。
- 正确位置：在
for i in range(start, len(candidates)):循环内，path.append(candidates[i])之前做判断 - 常见错误：把剪枝放在递归调用后（即回溯之后），完全失去意义
- 性能影响：合理前置可让时间复杂度从 O(2ⁿ) 降到接近 O(分支数 × 深度)
heapq 不支持自定义比较？用元组绕过限制
Python 的 heapq 默认按元组首元素排序，不提供 key 参数。想按对象属性堆化，必须封装成元组，且注意：如果首元素可能重复，第二项必须可比较，否则抛 TypeError: '。
- 推荐写法：
heapq.heappush(heap, (priority, count, item))，其中count是单调递增计数器，避免比较到item - 别直接写
(priority, item)—— 当两个item是不同类实例时，Python 3+ 会报错 - 实战中常漏掉
count，导致本地测试通过、线上偶发崩溃
Dijkstra 实现里 visited 数组到底该不该用？
教科书常用 visited 避免重复处理节点，但 Python 中若用 heapq 实现，更稳妥的做法是**不用 visited，改用距离数组松弛时跳过陈旧条目**。因为 heapq 无法删除中间元素，堆里会残留已更新过的旧状态。
立即学习“Python免费学习笔记（深入）”；
- 正确逻辑：取出
(dist, node)后，先检查if dist > distances[node]，成立则continue - 用
visited[node] = True会漏掉更短路径（尤其在边权非正时失效，虽 Dijkstra 要求非负，但误用会掩盖逻辑缺陷） - 调试时可在 pop 处加日志：
print(f"pop {node} with dist={dist}, but best is {distances[node]}")快速定位冗余出堆
import heapq
<p>def dijkstra(graph, start):
n = len(graph)
distances = [float('inf')] * n
distances[start] = 0
heap = [(0, start)]
while heap:
dist, node = heapq.heappop(heap)
if dist > distances[node]: # 关键：跳过过期条目
continue
for neighbor, weight in graph[node]:
new_dist = dist + weight
if new_dist < distances[neighbor]:
distances[neighbor] = new_dist
heapq.heappush(heap, (new_dist, neighbor))
return distances</p>真正卡住人的，往往不是算法本身，而是 Python 这些“看起来能跑通”的细节：比如 list.sort() 原地修改却返回 None，或者 dict.keys() & dict.keys() 返回的是视图而非列表——这些在算法流程中一旦混用，调试成本远高于重写逻辑。
