承接上一篇内容，继续为大家拆解全栈开发高频算法类名词，保持一贯的风格——不搞晦涩定义，只讲“是什么、用在哪、避坑点”，结合开发实战场景，穿插插图辅助理解，全程无AI套话，确保新手能看懂、老开发者能查漏补缺，稳步补全70个算法，助力大家提升代码效率、应对面试难点。
进阶提升（30个，中级，提升代码效率）
掌握这30个算法，能解决工作中80%的复杂场景，比如前端虚拟列表、后端海量数据处理、接口优化，也是面试中高频考察的内容，比基础算法更实用，更能拉开和新手的差距。
16. 双指针（Two Pointers）
人话解读：算法界的“效率神器”，核心是“用两个指针（索引），分别指向数据的不同位置，根据条件移动指针，不用额外开辟空间”，就像两个人一起走路，一个走得快，一个走得慢，或者一个从左走，一个从右走，配合完成任务。
前后端场景：前端用在数组去重、回文串判断（比如判断手机号是否是回文）、虚拟列表滚动定位；后端用在链表操作（判断链表是否有环、找链表中间节点）、数组合并（合并两个有序数组）、海量数据筛选。
老炮踩坑提醒：新手容易出现“指针越界”问题，比如左右指针移动时，没判断边界，导致数组下标越界报错；记住：移动指针前，一定要判断指针是否在合法范围内（比如左指针小于右指针）。
17. 滑动窗口（Sliding Window）
人话解读：核心是“用一个‘窗口’（连续的子数组/子字符串），在数据中滑动，动态调整窗口大小，找到符合条件的窗口”，就像用一个放大镜，在一张纸上滑动，放大不同的区域，找到需要的内容。
前后端场景：前端用在字符串匹配（比如查找最长不含重复字符的子串）、列表筛选（比如筛选连续的符合条件的商品）；后端用在接口限流（比如1分钟内最多允许100个请求，用滑动窗口统计请求数）、海量数据连续筛选（比如筛选连续7天活跃的用户）。
老炮踩坑提醒：新手容易固定窗口大小，导致无法找到最优解；记住：滑动窗口可以是固定大小，也可以是动态大小，根据场景选择，比如接口限流用固定大小，字符串匹配用动态大小。
18. 动态规划（Dynamic Programming，DP）
人话解读：听起来很高大上，其实核心是“拆分问题、缓存结果”，把一个复杂的大问题，拆分成多个相似的小问题，解决每个小问题后，把结果缓存起来，避免重复计算。就像算斐波那契数列，f(5)=f(4)+f(3)，f(4)=f(3)+f(2)，缓存f(3)、f(2)的结果，不用重复计算。
前后端场景：前端用在性能优化（缓存已加载的路由组件）、表单验证（拆分复杂规则，缓存验证结果）、游戏开发（路径规划）；后端用在最优路径问题（物流配送路径规划）、资源分配（服务器资源分配）、库存调度（最优库存分配）。
老炮踩坑提醒：新手最容易陷入“找不到状态转移方程”的困境，其实不用死记硬背，核心是“找到小问题和大问题的关系”，比如斐波那契数列，状态转移方程就是f(n)=f(n-1)+f(n-2)，先找简单的情况，再推导复杂情况。
19. 贪心算法（Greedy Algorithm）
人话解读：核心是“每次都选当前最优的选择”，不考虑长远，只看眼前，就像买东西，每次都选最便宜的，不考虑整体性价比，适合简单的最优解场景。
前后端场景：前端用在简单的资源分配（比如页面加载时，优先加载最重要的资源）、表单提交（优先提交必填项）；后端用在任务调度（优先执行优先级最高的任务）、资源分配（优先分配资源给最需要的服务）。
老炮踩坑提醒：贪心算法不是万能的，只能解决“局部最优能得到全局最优”的场景，比如找零问题（用最少的硬币找零）；如果局部最优不能得到全局最优（比如旅行商问题），就不能用贪心算法，改用动态规划。
20. 回溯算法（Backtracking）
人话解读：核心是“尝试+回退”，就像走迷宫，走一条路，如果走不通，就退回来，换另一条路，直到找到出口。适合解决“组合、排列、选择”类问题，比如找出所有可能的组合。
前后端场景：前端用在表单组合（比如生成所有可能的表单选项组合）、树形结构筛选（比如找出所有符合条件的子节点组合）；后端用在组合查询（比如找出所有符合条件的用户组合）、权限分配（生成所有可能的权限组合）。
老炮踩坑提醒：回溯算法的效率较低，数据量较大时，会严重卡顿，建议搭配剪枝操作（比如提前判断某条路径走不通，直接跳过，不继续尝试），提升效率。
21. 深度优先搜索（DFS）
人话解读：核心是“一条路走到黑，走不通再回退”，就像探险，先深入一个洞穴，直到走到尽头，再退回来，去另一个洞穴，适合遍历树形、图结构。
前后端场景：前端用在树形结构遍历（比如多级菜单渲染、树形组件查找）、图结构遍历（比如前端可视化图的节点遍历）；后端用在目录遍历（比如遍历服务器所有文件目录）、图结构查询（比如社交网络中的好友关系遍历）。
老炮踩坑提醒：DFS容易出现栈溢出（尤其是深度很深的结构），可以用迭代替代递归，或者限制遍历深度；另外，遍历的时候要标记已访问的节点，避免重复遍历。
22. 广度优先搜索（BFS）
人话解读：和DFS相反，核心是“逐层遍历”，就像洪水泛滥，从中心向外扩散，先遍历完当前层的所有节点，再遍历下一层，适合找最短路径、层级遍历。
前后端场景：前端用在树形结构层级遍历（比如树形组件的层级展开）、最短路径查找（比如前端小游戏的最短路径）；后端用在图结构最短路径（比如物流最短路径）、层级查询（比如查询某个分类下的所有层级子分类）。
老炮踩坑提醒：BFS需要用队列存储待遍历的节点，数据量较大时，会占用较多内存；如果只需要遍历深度较浅的结构，用BFS更高效；深度较深，用DFS更省内存。
23. 拓扑排序（Topological Sort）
人话解读：适合“有依赖关系”的排序，核心是“先完成依赖项，再完成被依赖项”，就像盖房子，先打地基，再砌墙，最后封顶，不能颠倒顺序。
前后端场景：前端用在任务调度（比如页面加载时，先加载依赖的资源，再加载页面内容）、组件渲染（先渲染父组件，再渲染子组件）；后端用在任务调度（比如先执行依赖的任务，再执行主任务）、数据库迁移（先迁移依赖的表，再迁移其他表）。
老炮踩坑提醒：拓扑排序只适合“无环图”，如果有环（比如A依赖B，B依赖A），就无法进行拓扑排序；先判断图是否有环，再进行拓扑排序。
24. 二分查找变种（Binary Search Variants）
人话解读：在基础二分查找的基础上，优化适配不同场景，比如找第一个大于目标值的元素、找最后一个小于目标值的元素，核心还是“折半查找”，只是调整了判断条件。
前后端场景：前端用在有序列表精准筛选（比如找第一个价格大于100的商品）、下拉框定位（找第一个符合关键词的选项）；后端用在数据库精准查询（比如找第一个注册时间大于2023年的用户）、海量有序数据筛选。
老炮踩坑提醒：新手容易混淆不同变种的判断条件，比如找“第一个大于目标值”和“最后一个小于目标值”，判断条件差异很大，建议先明确需求，再写判断条件，避免出错。
25. 快速选择（Quick Select）
人话解读：基于快速排序的思想，核心是“找到数组中第k大（或第k小）的元素”，不用排序整个数组，只需要找到目标元素，效率比排序后再查找高很多。
前后端场景：前端用在列表筛选（比如找出商品列表中价格第3高的商品）、排行榜（比如找出用户积分前10名）；后端用在海量数据统计（比如找出订单金额第100大的订单）、排行榜统计。
老炮踩坑提醒：快速选择的最坏时间复杂度是O(n²)，和快速排序一样，通过随机选择基准值，能避免极端情况，提升效率；如果对效率要求极高，可搭配其他算法优化。
26. 并查集（Union-Find）
人话解读：核心是“合并集合、查找元素所属集合”，就像给一群人分组，把有关系的人分到同一个组，然后快速判断两个人是否在同一个组，适合处理“连通性”问题。
前后端场景：前端用在图结构连通性判断（比如前端可视化图的节点连通性）、组件关联判断（比如判断两个组件是否有关联）；后端用在网络连通性判断（比如判断两个服务器是否连通）、数据分组（比如将关联的用户分到同一个组）。
老炮踩坑提醒：并查集需要注意“路径压缩”和“按秩合并”，否则效率会很低；路径压缩能减少查找次数，按秩合并能减少合并后的树的深度，两者结合，能显著提升效率。
27. 堆排序（Heap Sort）
人话解读：基于堆（大根堆、小根堆）的排序算法，核心是“先构建堆，再依次取出堆顶元素，重新调整堆”，就像堆金字塔，先把最大的石头放在最上面，然后依次取出最大的石头，再调整金字塔，效率稳定。
前后端场景：前端用在排行榜（比如用户积分排行榜，取前10名）、优先队列（比如优先处理重要的任务）；后端用在海量数据排序（比如100万条数据排序，效率稳定）、优先队列（比如消息队列的优先级排序）。
老炮踩坑提醒：堆排序的时间复杂度是O(n log n)，效率稳定，适合数据量较大的场景；但实现起来比快速排序复杂，日常开发中，如果不需要稳定排序，优先用快速排序，需要稳定排序，可用堆排序。
28. 基数排序变种（Radix Sort Variants）
人话解读：在基础基数排序的基础上，适配不同数据类型，比如字符串基数排序（按字符ASCII码排序）、负数基数排序（处理负数的位数排序），核心还是“按位数/字符排序”。
前后端场景：前端用在字符串排序（比如用户名按字母排序）、负数排序（比如用户余额排序，包含负数）；后端用在字符串数据排序（比如商品名称排序）、负数数据统计（比如用户盈亏排序）。
老炮踩坑提醒：字符串基数排序需要注意字符的长度，长度不一致时，需要补位（比如补空格）；负数基数排序需要处理符号位，先按绝对值排序，再调整符号。
29. 桶排序变种（Bucket Sort Variants）
人话解读：优化基础桶排序的不足，比如动态桶大小（根据数据分布调整桶的大小）、多维度桶排序（按多个维度分桶），核心还是“分桶+排序”，适配更多场景。
前后端场景：前端用在多维度筛选（比如商品按价格+销量分桶排序）、数据分布不均匀的场景（比如大部分数据在一个区间，动态调整桶大小）；后端用在多维度数据排序（比如用户按年龄+消费金额分桶排序）、海量数据不均匀分布场景。
老炮踩坑提醒：动态桶大小的关键是“统计数据分布”，先统计数据的最大值、最小值，再根据分布调整桶的大小和数量，避免出现“一个桶装大部分数据”的情况。
30. 计数排序变种（Counting Sort Variants）
人话解读：优化基础计数排序的不足，比如处理负数（调整计数数组的偏移量）、处理非整数（将非整数转换为整数再排序），核心还是“统计次数+输出”。
前后端场景：前端用在负数排序（比如用户积分排序，包含负数）、非整数排序（比如商品评分排序，1-5分，包含小数）；后端用在负数数据统计（比如用户盈亏排序）、非整数数据排序（比如订单金额排序，包含小数）。
老炮踩坑提醒：处理非整数时，需要先将非整数乘以一个倍数，转换为整数，排序后再除以倍数，避免精度丢失；处理负数时，需要计算偏移量，将负数映射到正数区间，排序后再调整回负数。
31. 字符串匹配（String Matching）
人话解读：核心是“在一个字符串中，找到另一个子字符串的位置”，就像在一篇文章中，找到某个关键词的位置，常用的有BF算法、KMP算法、BM算法。
前后端场景：前端用在搜索功能（比如页面搜索关键词）、表单验证（比如验证手机号、邮箱格式）；后端用在日志分析（比如查找日志中的关键词）、接口参数校验（比如验证字符串格式）。
老炮踩坑提醒：BF算法简单但效率低，适合短字符串匹配；KMP算法效率高，适合长字符串匹配，但实现复杂；BM算法效率比KMP还高，是实际开发中常用的字符串匹配算法，建议重点掌握。
32. KMP算法（Knuth-Morris-Pratt Algorithm）
人话解读：字符串匹配的“高效算法”，核心是“利用子字符串的前缀和后缀，避免重复比较”，就像找关键词时，发现前面一部分已经匹配上了，后面就不用重新比较，直接跳过，提升效率。
前后端场景：前端用在长字符串匹配（比如页面长文本搜索关键词）、复杂表单验证（比如验证复杂的密码格式）；后端用在日志分析（比如查找长日志中的关键词）、大文本匹配（比如匹配长文本中的特定片段）。
老炮踩坑提醒：KMP算法的核心是“前缀函数”，新手容易搞懂前缀函数的逻辑，建议先理解前缀和后缀的概念，再推导前缀函数，不用死记硬背代码，理解原理后就能轻松实现。
33. BM算法（Boyer-Moore Algorithm）
人话解读：比KMP算法效率更高的字符串匹配算法，核心是“从后往前匹配，利用坏字符规则和好后缀规则，快速跳过不匹配的部分”，就像找关键词时，从关键词的最后一个字符开始匹配，不匹配就直接跳过，效率极高。
前后端场景：前端用在大量文本搜索（比如富文本编辑器的关键词搜索）、长字符串匹配；后端用在日志分析（比如海量日志中的关键词匹配）、大文本处理（比如处理几GB的文本，查找特定片段）。
老炮踩坑提醒：BM算法的坏字符规则和好后缀规则，新手容易混淆，建议先掌握坏字符规则（简单易懂），再学习好后缀规则；实际开发中，大部分场景用坏字符规则就足够，能满足效率需求。
34. BF算法（Brute Force String Matching）
人话解读：字符串匹配的“基础算法”，核心是“逐个字符对比”，从主字符串的第一个字符开始，和子字符串的第一个字符对比，不匹配就往后移一位，直到匹配成功或结束，简单易实现，但效率低。
前后端场景：前端用在短字符串匹配（比如验证验证码、短文本搜索）；后端用在短字符串匹配（比如验证接口参数中的短字符串）。
老炮踩坑提醒：BF算法只适合短字符串匹配，长字符串匹配绝对不用，否则效率会极低；比如匹配1000个字符的主字符串和100个字符的子字符串，BF算法最多需要901次对比，而KMP、BM算法只需要几十次。
35. 编辑距离（Edit Distance）
人话解读：核心是“计算两个字符串之间的相似度”，通过插入、删除、替换字符，将一个字符串转换成另一个字符串，所需的最少操作次数，操作次数越少，相似度越高。就像修改文章，修改的次数越少，和原文越像。
前后端场景：前端用在搜索推荐（比如用户输入关键词有误，推荐相似的关键词）、文本对比（比如富文本编辑器的文本对比）；后端用在日志对比（比如对比两次日志的差异）、数据去重（比如判断两个字符串是否相似，避免重复）。
老炮踩坑提醒：编辑距离的计算可以用动态规划实现，新手容易忽略边界条件（比如一个字符串为空，另一个字符串的长度就是编辑距离）；另外，编辑距离的阈值可以调整，根据需求判断两个字符串是否相似。
36. 最长公共子序列（LCS）
人话解读：核心是“找到两个字符串中，最长的、不连续但顺序一致的子序列”，就像两篇文章，找到最长的相似片段，不要求连续，但顺序要一致。
前后端场景：前端用在文本对比（比如对比两个文本的相似片段）、搜索推荐（比如根据用户输入的关键词，推荐有最长公共子序列的内容）；后端用在日志分析（比如对比两次日志的相似部分）、数据相似度判断。
老炮踩坑提醒：LCS的核心是动态规划，新手容易搞混“子序列”和“子串”（子串是连续的，子序列是不连续的）；另外，LCS的计算效率较低，数据量较大时，需要优化动态规划的空间复杂度。
37. 最长公共子串（Longest Common Substring）
人话解读：和LCS类似，但要求子串必须连续，核心是“找到两个字符串中，最长的、连续且顺序一致的子串”，就像两篇文章，找到最长的连续相似片段。
前后端场景：前端用在文本对比（比如对比两个文本的连续相似片段）、关键词匹配（比如找到两个文本中最长的相同关键词）；后端用在日志分析（比如找到两次日志中连续的相同片段）、数据去重（比如判断两个字符串是否有长连续相同片段）。
老炮踩坑提醒：最长公共子串的实现可以用动态规划，也可以用滑动窗口，滑动窗口的效率更高，适合长字符串；新手容易和LCS搞混，记住：子串连续，子序列不连续。
38. 最长递增子序列（LIS）
人话解读：核心是“找到数组中，最长的、严格递增的子序列”，不要求连续，但顺序要一致，就像找一串数字中，最长的上升趋势片段。比如数组[3,1,2,4,5]，最长递增子序列是[1,2,4,5]，长度为4，虽然3在最前面，但不影响后续的递增趋势。
前后端场景：前端用在数据可视化（比如展示用户成长值的上升趋势，提取最长递增片段）、列表排序优化（比如筛选出符合递增规律的商品序列）；后端用在数据分析（比如分析用户消费金额的递增趋势）、股票价格分析（提取最长上涨周期）。
老炮踩坑提醒：新手容易用暴力枚举（遍历所有子序列），效率极低，数据量超过20条就会卡顿；推荐用动态规划或贪心+二分查找实现，时间复杂度可优化到O(n log n)，适合海量数据处理。
39. 最长递减子序列（LDS）
人话解读：和LIS相反，核心是“找到数组中，最长的、严格递减的子序列”，不要求连续，顺序一致即可，就像找一串数字中，最长的下降趋势片段。比如数组[5,4,2,3,1]，最长递减子序列是[5,4,2,1]，长度为4。
前后端场景：前端用在数据筛选（比如筛选商品价格的下降趋势序列）、可视化图表（展示数据的下降规律）；后端用在数据分析（比如分析用户活跃度的下降趋势）、库存预警（提取库存数量的递减片段，及时补货）。
老炮踩坑提醒：无需单独写算法，可将数组反转后，求反转数组的LIS，结果就是原数组的LDS，节省开发成本；注意区分“严格递减”和“非递增”，严格递减要求每个元素都比前一个小，非递增允许相等。
40. 最短路径算法（Dijkstra Algorithm）
人话解读：图结构中的“导航神器”，核心是“从起点出发，逐步找到到其他所有节点的最短路径”，就像手机导航，输入起点和终点，导航会计算出距离最短的路线，优先选择近路，不绕远。
前后端场景：前端用在地图类应用（比如前端小游戏的地图导航、本地地图的最短路径计算）、可视化图（比如节点之间的最短连接）；后端用在物流配送（计算配送员到多个站点的最短路径）、网络路由（计算数据传输的最短路径）。
老炮踩坑提醒：Dijkstra算法不适合有负权边的图（比如边的权重为负数），遇到负权边，会计算出错；此时改用Bellman-Ford算法，虽然效率低，但能处理负权边场景。
41. Bellman-Ford算法
人话解读：最短路径算法的“补充版”，核心是“能处理有负权边的图，通过多次松弛操作，找到起点到其他所有节点的最短路径”，就像导航时，虽然有一段路是逆行（负权），但依然能计算出整体最短路径，适合复杂场景。
前后端场景：前端用在复杂可视化图（比如包含负权边的节点连接）、小游戏（比如带有惩罚机制的路径规划）；后端用在网络路由（处理数据传输中的负权损耗）、金融数据分析（处理带有负收益的路径计算）。
老炮踩坑提醒：Bellman-Ford算法的时间复杂度是O(nm)（n是节点数，m是边数），效率比Dijkstra算法低，数据量较大时，优先用Dijkstra算法；只有存在负权边时，才用Bellman-Ford算法。
42. Floyd-Warshall算法
人话解读：最短路径算法的“全能版”，核心是“计算图中所有节点之间的最短路径”，不用指定起点，一次性求出任意两个节点之间的最短距离，就像一张完整的地图，标注出所有地点之间的最短路线，适合全局规划。
前后端场景：前端用在全局可视化图（比如展示所有节点之间的最短连接）、多起点多终点的路径规划；后端用在物流调度（计算多个仓库到多个站点的最短路径）、网络规划（计算所有服务器之间的最短传输路径）。
老炮踩坑提醒：Floyd-Warshall算法的时间复杂度是O(n³)，效率较低，节点数超过100时，会严重卡顿；适合节点数少、需要全局路径的场景，节点数多的场景，优先用Dijkstra算法循环计算。
43. 矩阵快速幂（Matrix Exponentiation）
人话解读：核心是“快速计算矩阵的n次幂”，通过拆分幂次，减少计算次数，就像计算2^10，不用2×2×…×2（10次），而是拆成(2^5)²，再拆成((2²)×2)²，大大减少计算量，适合大规模矩阵计算。
前后端场景：前端用在数据可视化（比如矩阵变换、图形旋转缩放）、机器学习（简单的矩阵运算优化）；后端用在算法优化（比如斐波那契数列的快速计算）、大数据分析（大规模矩阵运算）、人工智能（神经网络中的矩阵计算）。
老炮踩坑提醒：新手容易忽略矩阵乘法的规则，导致计算出错；记住：矩阵A×矩阵B，要求A的列数等于B的行数，否则无法相乘；另外，矩阵快速幂的核心是“二分拆分”，拆分成2的幂次，提升计算效率。
44. 前缀和（Prefix Sum）
人话解读：核心是“提前计算数组的前缀和，快速求解任意子数组的和”，就像提前算好从家到每个站点的距离，要算两个站点之间的距离，直接用后面站点的距离减去前面站点的距离，不用重新计算，效率极高。
前后端场景：前端用在数据统计（比如统计页面中某段时间的用户访问量）、列表筛选（比如筛选某段索引范围内的数值和）；后端用在海量数据统计（比如统计某段时间内的订单总金额）、日志分析（统计某段时间内的错误日志数量）。
老炮踩坑提醒：前缀和适合“多次查询子数组和”的场景，如果只查询一次，直接遍历计算更高效；另外，注意前缀和数组的初始化，通常前缀和数组的长度比原数组长1，方便计算边界情况。
45. 差分（Difference）
人话解读：前缀和的“逆运算”，核心是“通过差分数组，快速对数组的某一段区间进行加减操作”，就像给一排树木浇水，不用一棵一棵浇，而是给一段区间的树木统一浇水，再通过差分数组快速更新每棵树的浇水量。
前后端场景：前端用在批量更新（比如批量调整列表中某段索引的数值）、数据可视化（比如批量调整图表中某段区间的数值）；后端用在批量操作（比如批量更新某段时间内的用户积分）、海量数据批量修改。
老炮踩坑提醒：差分数组的核心是“区间更新、单点查询”，如果需要单点更新、区间查询，优先用前缀和；另外，差分数组更新后，需要通过前缀和还原原数组，避免直接使用差分数组作为结果。
46. 位运算（Bit Manipulation）
人话解读：核心是“直接操作二进制位”，比如与、或、异或、左移、右移，就像操作积木的最小单元，通过组合这些操作，实现高效的计算，比普通的加减乘除效率高很多，适合底层开发、性能优化。
前后端场景：前端用在性能优化（比如判断奇偶性、交换两个变量的值，不用临时变量）、权限控制（用二进制位表示不同的权限，通过位运算判断权限）；后端用在底层开发（比如服务器内存管理）、海量数据去重（用位运算压缩数据）、加密算法（基础位运算组合）。
老炮踩坑提醒：新手容易混淆位运算的优先级，比如与、或、异或的优先级低于加减乘除，建议用括号明确优先级；另外，右移操作要注意符号位，正数右移补0，负数右移补1，避免出现意想不到的结果。
47. 异或运算（XOR）
人话解读：位运算中的“神器”，核心是“两个二进制位相同则为0，不同则为1”，就像对比两个数字的二进制，找不同的地方，还有两个实用特性：任何数异或0等于自身，任何数异或自身等于0，适合很多场景的优化。
前后端场景：前端用在数据去重（比如数组中只出现一次的数字）、变量交换（不用临时变量，a = a^b, b = a^b, a = a^b）；后端用在数据加密（简单的异或加密）、校验数据（判断两个数据是否一致）、海量数据去重。
老炮踩坑提醒：异或运算适合“成对出现的数据”场景，比如数组中除了一个数字，其他都成对出现，用异或能快速找到这个数字；另外，异或运算不适合复杂加密，只能用于简单的校验和去重。
48. 位掩码（Bit Mask）
人话解读：基于位运算的“权限管理神器”，核心是“用一个整数的二进制位，代表不同的状态或权限”，比如用一个8位整数，每一位代表一个权限，1表示拥有该权限，0表示没有，通过位运算快速判断、修改权限。
前后端场景：前端用在权限控制（比如页面按钮的权限，每一位代表一个按钮的权限）、状态管理（比如组件的多种状态，用二进制位表示）；后端用在用户权限管理（比如用户的操作权限，用位掩码存储，节省数据库空间）、状态标记（比如订单的多种状态，用位掩码表示）。
老炮踩坑提醒：位掩码适合权限/状态数量较少的场景（比如不超过32种，对应32位整数），如果权限/状态数量过多，建议用其他方式存储；另外，修改权限时，注意用位运算（与、或、异或），避免直接修改整数，导致权限混乱。
49. 质数筛选（Sieve of Eratosthenes）
人话解读：核心是“快速筛选出小于等于n的所有质数”，就像筛子一样，先把2的倍数筛掉，再把3的倍数筛掉，依次类推，剩下的就是质数，效率比逐个判断质数高很多，适合大规模质数筛选。
前后端场景：前端用在数学类应用（比如质数计算、数学游戏）；后端用在加密算法（比如RSA加密，需要大量质数）、数学计算（比如大数据中的质数统计）、密码学（基础质数生成）。
老炮踩坑提醒：新手容易忽略筛法的优化，比如只需要筛到√n即可，因为大于√n的合数，其因子一定小于√n，已经被筛掉；另外，筛选时可以用布尔数组存储状态，节省内存空间。
50. 最大公约数（GCD）
人话解读：核心是“找到两个数的最大公约数，即能同时整除这两个数的最大整数”，就像找两个数的“共同因数”中最大的那个，比如12和18的最大公约数是6，常用欧几里得算法（辗转相除法）计算。
前后端场景：前端用在数学计算（比如分数化简、比例计算）、数据可视化（比如图形缩放比例）；后端用在数学运算（比如分数运算、比例调整）、加密算法（比如RSA加密中的公约数计算）、大数据比例统计。
老炮踩坑提醒：欧几里得算法的核心是“gcd(a,b) = gcd(b,a mod b)”，直到b为0，此时a就是最大公约数；新手容易混淆最大公约数和最小公倍数，记住：最小公倍数 = 两个数的乘积 ÷ 最大公约数。
51. 最小公倍数（LCM）
人话解读：核心是“找到两个数的最小公倍数，即能同时被这两个数整除的最小整数”，就像找两个数的“共同倍数”中最小的那个，比如12和18的最小公倍数是36，通常通过最大公约数计算，不用单独枚举。
前后端场景：前端用在时间计算（比如两个周期的重合时间）、数学计算（比如分数通分）；后端用在任务调度（比如两个任务的重合执行时间）、时间统计（比如多个周期的共同时间节点）。
老炮踩坑提醒：计算最小公倍数时，先计算最大公约数，再用“两个数的乘积 ÷ 最大公约数”，避免直接枚举倍数，效率极低；另外，注意两个数的乘积可能会溢出，尤其是大数，需要做溢出处理。
52. 随机算法（Random Algorithm）
人话解读：核心是“生成随机数或随机序列”，就像掷骰子，每次出现的结果都是随机的，没有固定规律，适合需要随机化的场景，比如抽奖、随机推荐，常用伪随机数生成（计算机无法生成真正的随机数，只能生成伪随机数）。
前后端场景：前端用在抽奖功能（比如大转盘、随机抽奖）、随机推荐（比如随机推荐商品、文章）、小游戏（比如随机生成敌人位置）；后端用在随机采样（比如从海量数据中随机抽取样本）、密码生成（随机生成密码、Token）。
老炮踩坑提醒：伪随机数是基于种子生成的，如果种子相同，生成的随机序列也相同，适合需要可复现的场景；如果需要更接近真实随机的结果，可结合系统时间、硬件信息作为种子；另外，抽奖场景要注意避免随机数被篡改，确保公平性。
