作为一名参加青训营X豆包MarsCode技术训练营的学员，第二天的学习经历让我对算法与数据结构有了更深入的理解。今天的训练不光是关于如何高效解题，更是一次自我思维方式和问题分析能力的锻炼。通过AI刷题平台MarsCode的辅助，我逐渐意识到刷题背后的深层次逻辑和思考过程，而不仅仅是对代码的单纯实现。
1. 迎接挑战：从基础题到难题的逐步提升
刚开始刷题时，MarsCode的智能推荐系统根据我之前的刷题表现，推荐了一些基础题目，例如链表操作、数组排序等。这些题目虽然基础，但对我来说是一次很好的复习机会。通过这些基础题目的练习，我回顾了常见的数据结构和算法，同时也熟悉了代码实现的技巧和思维模式。
例如，在链表反转的题目中，虽然它是一个经典问题，但每次做时我都需要仔细思考如何高效地操作指针。反转链表看似简单，但如果没有仔细考虑边界条件和时间复杂度，代码就容易出错。最初我总是对链表的头指针和尾指针的变换产生混淆，经常会犯遗漏更新某些指针的错误。通过不断练习，我逐步提高了对链表操作的熟练度，也开始更关注代码的可读性和可维护性。
随着难度的逐步提高，系统引导我进入了一些具有挑战性的题目，涉及到动态规划、回溯算法等。这些题目不再是单纯的实现，而是考察我的问题分解能力和思维的灵活性。
2. 动态规划：突破思维的难关
动态规划是我在刷题过程中遇到的一个难点。初看动态规划问题，很多题目都显得复杂且抽象，不容易下手。比如，“背包问题”和“最长公共子序列”这类题目，表面上看它们只是数学上的最优化问题，但背后蕴含着大量的状态转移方程和记忆化搜索技巧。
在做这些题目时，我首先要做的是理解问题的本质。动态规划并非一开始就能写出完美的解法，通常它需要将大问题拆解成多个小问题，并通过状态转移方程将问题逐步解决。我特别注重“最优子结构”和“重叠子问题”的概念。每一次看一个动态规划题目，我都会先通过手动推演来思考这个问题的解法。
例如，在解决“0-1背包问题”时，我首先会通过画图和手动计算来理解问题，然后推导出状态转移方程。经过几次尝试，我逐渐领会到，动态规划最重要的是寻找合适的状态和状态之间的转移关系。通过反复练习，我在动态规划问题的解法上找到了自己的节奏，逐渐能够熟练运用动态规划解决问题。
3. 解题后反思：更关注思路而非仅仅实现
每完成一道题目，我都会做详细的总结和反思。这是刷题过程中最重要的部分，因为单纯地做题而不进行思考，效果是有限的。比如，在做完某些回溯类的题目后，我常常会思考：这种类型的问题有没有更优的解法？是否可以通过剪枝或其他技巧来减少时间复杂度？
有时我会尝试不同的解法，而不仅仅满足于一种实现方式。例如，在做深度优先搜索（DFS）题目时，我会同时考虑递归解法和栈模拟解法。这两者虽然本质相同，但在实际应用中有所不同。递归通常更简洁直观，但栈模拟可以避免递归栈溢出的风险，而且在处理大规模数据时更具优势。
这些反思帮助我培养了从多角度分析问题的能力，也让我在面对复杂问题时不容易陷入死角。
4. 时间复杂度与空间复杂度：优化的必修课
刷题不仅仅是实现正确的解法，更重要的是优化代码的效率。MarsCode平台的AI辅助系统会在每次提交后，给出代码的时间复杂度和空间复杂度分析。这让我意识到，在解题过程中，性能的考虑同样至关重要。
例如，在做数组排序题时，我注意到有许多不同的排序算法：冒泡排序、插入排序、快速排序、归并排序等。每种排序算法都有不同的时间复杂度，而在不同的数据规模下，某些排序算法会明显优于其他算法。通过系统的分析，我意识到选择合适的算法是高效编程的关键。
此外，我也特别重视空间复杂度的优化。例如，解决一些动态规划问题时，如果直接用二维数组存储所有状态，会浪费大量空间。因此，优化空间复杂度，使用滚动数组或者只保存必要状态，可以有效减少内存占用。
5. 持续改进与未来规划
第二天的刷题让我深刻感受到，算法学习的过程是一个不断积累和反思的过程。虽然最开始遇到的题目看起来可能简单，但要真正掌握每个算法背后的思想，理解不同解法之间的差异，并不断优化代码，才是刷题的精髓。
对于未来的规划，我意识到自己需要更加注重算法的多样性和解决问题时的灵活性。在接下来的训练中，我将更加注重总结每个问题的解决思路，理解不同算法的优劣，并不断提升自己的代码优化能力。
总之，青训营X豆包MarsCode的刷题之旅不仅是一次对编程能力的提升，也是一次对自己思维方式的锻炼。通过AI平台的辅助，我逐渐明白，刷题不仅仅是为了“做题”，更是为了培养解决问题的系统性思维和高效的编程技巧。希望未来的我，能够继续在这一过程中不断进步，成为一名更优秀的程序员。
