小米算法高频题面试：小米Android开发覆盖MIUI系统定制、IoT设备互联。技术栈偏底层，面试官喜欢问系统级原理和性能数据。技术方向偏向MIUI定制、IoT互联。特色专项包括MIUI系统定制与IoT设备开发。今天8道题覆盖小米算法高频题面试核心考点。
Q1：快速排序原理？
分治：选pivot→根据pivot分区(左边小于pivot，右边大于)→递归排左右子数组。平均O(nlogn)，最坏O(n²)(已排序数组+最后一个元素做pivot)。优化：随机选pivot或三数取中。
fun quickSort(arr: IntArray, low: Int = 0, high: Int = arr.lastIndex) {
if (low >= high) return
val pivot = partition(arr, low, high)
quickSort(arr, low, pivot - 1); quickSort(arr, pivot + 1, high)
}
深度解析：从复杂度看，分治：选基准 partition 成两半再递归。平均 O(n log n)，最坏 O(n²)（已有序且选端点的基准）。。常见变体与延伸包括：三数取中优化基准、堆排序（稳定 O(n log n)）、TopK 用快排思想 O(n)。。实战要特别注意边界情况：近乎有序数据要随机化基准，否则退化。。面试官大概率会接着追问：怎么用快排思想在 O(n) 平均时间内找第 K 大？为什么平均是 O(n)？。
追问：为什么实际工程中快排比归并排序更常用？快排空间O(logn)(递归栈)，归并O(n)(临时数组)——但快排不稳定。
Q2：两数之和(哈希表一次遍历)？
经典面试题：数组中找两个数使和等于target。暴力O(n²)→哈希表O(n)。关键优化：一次遍历——边遍历边查哈希表，当前元素之前如果有target-nums[i]在哈希表中就找到了。不需要先建哈希表再遍历。
fun twoSum(nums: IntArray, target: Int): IntArray {
val map = HashMap<Int, Int>()
for (i in nums.indices) {
val complement = target - nums[i]
if (complement in map) return intArrayOf(map[complement]!!, i)
map[nums[i]] = i
}
return intArrayOf()
}
追问：为什么不能先建完整哈希表再查找？可以但多一次遍历。一次遍历法每次只查已遍历部分，更高效且避免重复元素覆盖问题。
Q3：有效的括号(栈的应用)？
判断括号字符串是否有效：每对括号必须正确闭合且嵌套正确。用栈：遇到左括号入栈，遇到右括号检查栈顶是否匹配的左括号——匹配则出栈，不匹配或栈空则无效。最后栈为空则有效。时间复杂度O(n)，空间O(n)。
fun isValid(s: String): Boolean {
val stack = ArrayDeque<Char>()
val pairs = mapOf(')' to '(', ']' to '[', '}' to '{')
for (c in s) {
if (c in pairs.values) stack.addLast(c)
else if (stack.isEmpty() || stack.removeLast() != pairs[c]) return false
}
return stack.isEmpty()
}
追问：为什么用栈？括号嵌套的LIFO特性——最后打开的括号最先关闭，天然匹配栈的后进先出。
Q4：环形链表检测(快慢指针)？
判断链表是否有环。快慢指针：slow每次走1步，fast每次走2步。如果有环，fast一定会在环中追上slow(相遇)。如果无环，fast会先到达null。时间复杂度O(n)，空间O(1)——优于哈希表法的O(n)空间。进阶：找环入口——相遇后slow回到head，slow和fast同速前进，再次相遇点就是环入口。
fun hasCycle(head: ListNode?): Boolean {
var slow = head; var fast = head
while (fast?.next != null) {
slow = slow?.next; fast = fast.next?.next
if (slow == fast) return true
}
return false
}
追问：为什么快慢指针一定能相遇？如果有环，fast比slow每轮多走1步，在环中两者的距离每轮缩小1——一定会追上。
Q5：二叉树的最近公共祖先？
递归：如果root是p或q直接返回root；递归左子树和右子树；如果左右各返回一个(非null)说明p和q分布在两侧→root就是LCA；如果只有一侧返回非null说明p和q都在那一侧→返回那个非null。
fun lca(root: TreeNode?, p: TreeNode, q: TreeNode): TreeNode? {
if (root == null || root == p || root == q) return root
val left = lca(root.left, p, q); val right = lca(root.right, p, q)
return when { left != null && right != null -> root; left != null -> left; else -> right }
}
追问：BST的LCA怎么做？利用BST有序性质——如果两个值都小于root在左子树递归，都大于在右子树递归，否则root就是LCA。
Q6：最大子数组和(Kadane算法)？
找数组中连续子数组的最大和。Kadane算法：遍历数组，维护currentSum和maxSum。currentSum = max(nums[i], currentSum + nums[i])——如果前面累加的和不如当前元素本身大，就重新开始。maxSum = max(maxSum, currentSum)。一次遍历O(n)，空间O(1)。
fun maxSubArray(nums: IntArray): Int {
var curSum = nums[0]
var maxSum = nums[0]
for (i in 1 until nums.size) {
curSum = max(nums[i], curSum + nums[i])
maxSum = max(maxSum, curSum)
}
return maxSum
}
追问：Kadane算法的直觉是什么？如果前面的累加是负贡献(让当前元素变小)，不如丢弃重新开始——贪心思想。
Q7：合并两个有序链表？
递归：比较两个头节点的大小，小的作为新头，next指向递归合并剩余部分。迭代：用dummy哨兵，每次取两链表中较小的接到结果链表。
fun mergeTwo(l1: ListNode?, l2: ListNode?): ListNode? =
when { l1 == null -> l2; l2 == null -> l1
l1.v < l2.v -> { l1.next = mergeTwo(l1.next, l2); l1 }
else -> { l2.next = mergeTwo(l1, l2.next); l2 } }
追问：合并K个有序链表的思路？用最小堆(O(nlogk))或分治两两合并。
Q8：滑动窗口—无重复字符的最长子串？
双指针left/right维护窗口，HashMap记录字符最后出现位置。right右移：如果当前字符在窗口内出现过，left跳到上次出现位置+1。右移时更新maxLen。时间复杂度O(n)。
fun lengthOfLongestSubstring(s: String): Int { var l = 0; var max = 0
val map = mutableMapOf<Char, Int>()
for (r in s.indices) { val c = s[r]; if (c in map) l = max(l, map[c]!! + 1)
map[c] = r; max = max(max, r - l + 1) }; return max }
追问：滑动窗口的核心思想？用两个指针维护一个满足条件的窗口，右边界扩张，左边界收缩。
下一篇进入小米特色专项——MIUI的GPU Turbo如何在Andro、MIUI如何实现IoT设备互联、MIUI的自由窗口(小窗)实现原理。
觉得有用的同学扣1，你面试被追问最狠的是哪道题？
本系列连载中，关注不迷路，下一篇：小米特色专项面经：MIUI的GPU Turbo如何在Andro、MIUI如何实现IoT设备互联、MIUI的自由窗口(小窗)实现原理
系列简介：Android大厂面经连载，覆盖字节跳动、腾讯、阿里、美团等40+企业，从初级到架构师全岗位覆盖。每篇文章包含真实面试题+详细答案+代码示例，帮你拿到大厂Offer。
