点我达2019届校招算法笔试高频考点与备战策略解析

1. 为什么一家即时配送公司的算法笔试值得认真对待

如果你准备过互联网大厂的算法校招，一定对"题海战术"这套流程不陌生：LeetCode刷个几百题、笔试现场两小时拼手速、靠AC数量定生死。但如果你把同样的备考思路原封不动地带到点我达2019届校招算法笔试，大概率会碰一鼻子灰。

点我达是一家做即时配送的众包物流平台，业务核心是"如何用算法让数百万骑手在最短时间内把订单送到用户手里"。这个业务场景决定了它的算法笔试和纯互联网公司有本质区别：它更重视你对算法原理的理解深度、对业务问题的建模能力，以及在一堆约束条件下做取舍的判断力。笔试不会只考"给你一个数组，求最大子序和"这种脱离业务的标准题，而是会把算法藏在配送场景的壳子下面，考察你能不能认出本质、能不能把算法思想迁移过来。

2019届校招这个时间点也比较特殊。那几年正是即时配送行业从粗放扩张转向精细化运营的关键阶段，各家平台都在疯狂招算法人才，笔试题目也从早期的"会写代码就行"逐渐演变出"既要懂算法又要懂业务"的风格。所以这份笔试的备考逻辑，放到今天依然有很强的参考价值——算法题可能会变，但考察的底层能力和出题思路基本稳定。

这篇文章适合三类人看：准备投递即时配送/物流/本地生活类公司算法岗的应届生，正在系统复习数据结构和算法、想知道"校招笔试到底怎么出题"的在校生，以及单纯对配送调度算法感兴趣、想了解这类公司算法团队日常解决什么问题的技术从业者。我会结合点我达的业务特点，把笔试中可能出现的高频考点、出题逻辑和备考策略一块儿拆开讲清楚。

2. 题型结构与时间分布：从真题比例看复习优先级

先说笔试的整体基调。2019届校招的技术笔试通常在线完成，时长一般控制在90到120分钟。题量大、时间紧是常态，很少有同学能从容地把所有题做完。所以拿到试卷第一件事不是闷头做题，而是快速浏览全卷，判断哪些题必须拿分、哪些题可以战略性放弃。

2.1 题型占比的合理预估

根据那个阶段即时配送行业算法岗笔试的普遍风格，结合点我达的业务技术栈，题型分布大致可以参考下表：

选择题占比不小，而且覆盖的知识面非常杂。比如"给定一个无向图的邻接矩阵，判断其连通性"、"快排在最坏情况下的时间复杂度是多少"、"一个事件发生的概率是P，重复n次，至少发生一次的概率是多少"这类题都有可能出现。选择题的难点不在单题难度，而在知识面的广度——数据结构、概率论、机器学习基础、线性代数，全都得有一定储备。

2.2 时间分配建议

我的建议是把时间按"40%给编程题，30%给选择题，20%给简答题，10%机动"来切分。为什么编程题反而要留最大块时间？因为编程题得分是按测试用例通过的百分比算的，AC一道难题可能比做对十道选择题拿到的分数还高。而且编程题往往有部分分，你的暴力解法哪怕只能过30%的用例，也比空白提交强。

选择题如果遇到没把握的，别纠结，先在草稿纸上记录题号，做完其他题再回头检查。简答题要用"结论先行、分点展开"的格式写，阅卷人没有时间看长篇大论，你的答案最好让他在15秒内抓到采分点。

2.3 题目难度梯度

笔试的出题逻辑通常是：前面几道选择题垫底，让大多数人不至于空手而归；中间部分开始区分度拉高；最后一道编程题是压轴题，专门筛选顶尖候选人。所以如果你在前半程卡住了，先跳过；压轴题哪怕只能写个思路，也要把注释和伪代码写上去，经常会有过程分。这和"算法竞赛过不了样例就零分"的规则完全不同，校招笔试更看重你解决问题的思维过程和代码习惯。

3. 基础算法考点逐项拆解：高频题型的出题逻辑

无论业务怎么包装，算法笔试的底层考点永远跑不出那几大类。我见过很多同学把大量时间花在偏、难、怪的竞赛题上，结果笔试里最基础的动态规划都没写出来，非常可惜。基础算法永远是笔试的基本盘，先把这些吃透，再去琢磨业务变种题。

3.1 字符串匹配与KMP算法

字符串匹配几乎是每次笔试的常客。像"在KMP算法中，对于模式串p='abacaba'，其next数组（next[i]定义为…）"这类题目，考察的就是你对next数组求解逻辑的掌握程度。

很多人对KMP的理解停留在"背模板"层面，问next数组就只会默写。但要真正应付笔试，你得知道next数组的语义是"当前位失配后，模式串指针应该回退到哪里"，以及为什么它能保证线性时间复杂度——因为主串指针从不回退，每次失配后模式串的移动步数都有下界保证。

我记得一个很容易翻车的细节：KMP有两种next数组的写法，一种的next[i]表示"i之前的子串中，最长相等前后缀的长度"，另一种的next[i]表示"失配后跳转的位置"，这两种写法会差一个偏移。如果你只背了其中一种模板，遇到需要手算next数组的题就很容易错。建议考前把两种写法都推一遍，理解它们之间的换算关系。

笔试中还有可能让你直接补全KMP的匹配函数。这时候不只是写对逻辑，还要注意代码风格：变量命名清晰、边界条件处理妥当。阅卷系统对这类题经常是跑测试用例判分，一个"=="写成"="就是零分，所以写完务必自查一遍。

3.2 经典排序与复杂度分析

排序算法的考察永远不会缺席。从冒泡排序、插入排序这种O(n²)级别的入门算法，到快排、归并排序、堆排序这些O(n log n)级别的常客，再到桶排序、基数排序这些线性时间复杂度的非比较排序，全都在考纲范围内。

笔试最常见的一种出题方式，是给一个特定场景，让你选择最优排序算法。比如"对一个几乎有序的数组排序，哪个算法最快？"——答案是插入排序，因为它在近乎有序的数组上可以达到O(n)的时间复杂度。再比如"数据量极大且内存有限，无法一次性载入，应该用什么排序"——答案是外部排序（归并排序的外延）。这类题考的不是背复杂度表，而是对算法在不同数据分布下的性能有直觉。

另一个高频考点是快排的时间复杂度推导和优化策略。标准快排在完全逆序的输入上会退化到O(n²)，原因在于每次partition只把序列分成1和n-1两部分。优化手段有：随机选择基准值、三数取中法、在数据量小的时候切换到插入排序、以及循环展开和尾递归优化。笔试中如果让你实现快排，最好直接写个"三数取中+小区间插入排序"的工程版本，既展示了对性能的敏感度，又能保证所有测试用例通过。

3.3 动态规划：从背包问题到区间DP

动态规划是校招笔试的压轴常客，分值高、区分度大。基础版本是经典背包问题：0-1背包、完全背包、多重背包，以及它们的变种。进阶版本是区间DP、状态压缩DP、树形DP。

背包问题的核心是状态定义和转移方程。以0-1背包为例，dp[i][j]表示前i个物品在容量为j的背包中的最大价值，转移方程是dp[i][j] = max(dp[i-1][j], dp[i-1][j-w[i]] + v[i])。很多同学能写出二维版本，但一维优化的版本就懵了。一维优化的关键在于逆序遍历容量，保证每个物品最多被选一次。如果是完全背包，则正序遍历容量——因为每个物品可以被选多次。

笔试中动态规划题很少直接说"这是个背包问题"，通常会包装成具体场景。比如"骑手一天有T小时可用，有n种订单任务，每种任务耗时t[i]、收益p[i]，每种任务最多只能接一次，问如何选择任务使收益最大"——本质就是0-1背包。读题时把变量映射到背包问题的框架里，比现场硬想快得多。

还有一个高频细节：dp数组的初始化。很多同学栽在"dp[0]应该等于多少"这个问题上。如果求的是最大值，且所有价值都是正数，初始化为0没问题；如果求的是最小值，就要初始化成无穷大。涉及"恰好装满"和"不超过容量"两种语义时，初始化策略完全不同。这是笔试中极易丢分的坑点，建议专门拿两道经典题练熟。

3.4 图论：最短路与最小生成树

图论基础考点集中在Dijkstra算法、Floyd算法、Prim/Kruskal最小生成树算法，以及拓扑排序。其中Dijkstra是最高频的一个。

Dijkstra算法的前提是边的权重非负，它的核心思想是贪心加动态规划：每次从未确定最短距离的节点中选出距离最小的节点，然后松弛它的邻接边。如果用朴素实现，时间复杂度O(V²)；如果使用优先队列（最小堆）优化，复杂度降到O((V+E)logV)。笔试中如果边的数量很大，优先队列版本是必须的，否则超时没商量。

最容易出错的地方是使用优先队列时存在重复入队。先入队的节点可能在后续被更新为更小的距离，所以当你从堆里拿出来一个节点，先判断当前取出的距离是否大于它的已知最短距离，如果大于就跳过。这个"过期节点跳过"的判断，忘记写了就会出现答案错误。

最小生成树相关题目出题频率稍低，但一旦出就是综合题。例如给一个配送网络图，求连接所有站点的最低建设成本——就是裸的最小生成树。Kruskal算法按边权排序后用并查集维护连通性，Prim算法从任意节点出发逐步扩展生成树。两种算法都要能手写出来，笔试不提供模板。

3.5 贪心算法与模拟退火等启发式思想

与动规和图论相比，贪心算法的出题频率很高，因为它的题目形态多样，而且非常考验思维的严密性。有时候一道题用贪心可以得出最优解，有时候贪心只能得出近似解，题目会特意考察你能不能判断"贪心是否成立"。

比如区间调度问题（选择最多不重叠的区间）可以用贪心，按结束时间排序即可；但"给定一组任务和完成每个任务的截止时间，求最大收益的调度方案"就需要排序+优先队列的贪心策略。这类题的特点是：如果不严格证明贪心选择的正确性，很容易写出一个看着对、实际全错的解法。

算法笔试偶尔也会出现一些启发式算法的简答题，比如模拟退火、粒子群、遗传算法的原理说明。2019年前后，物流和配送行业对路径规划的需求暴涨，这些启发式算法因为能解决NP难问题而被频繁提及。笔试中可能不会要求你实现完整的模拟退火，但很可能出简答题："简述模拟退火算法的基本流程和它在配送路径规划中的应用场景。"你必须说清楚：初始温度、温度衰减系数、Metropolis接受准则（以概率接受劣解）、终止条件，以及它和贪心算法在"跳出局部最优"上的本质区别。

3.6 排序之外的数学考点：快速幂与状态压缩

快速幂是一个被低估的高频考点。它看起来简单，但考法很多：求a的b次方模m、矩阵快速幂加速递推、在状态压缩DP中配合位运算使用。裸的快速幂递归实现只有几行代码：

def quick_pow(a, b, mod): res = 1 while b: if b & 1: res = res * a % mod a = a * a % mod b >>= 1 return res

注意b可能是0，此时返回1 % mod，别在b==0时直接返回1，因为如果mod==1，结果应该是0。这个边界条件很隐蔽，笔试中容易翻车。

状态压缩DP也会和快速幂一起出现。比如"在一个n×m的棋盘上放棋子，任意两个棋子不能相邻，问有多少种放法"，典型的状态压缩DP + 位运算枚举。这类题如果n和m范围小（不超过20），状态压缩DP是标准解法。面试官考这类题，一半是考DP思维，一半是考位运算的熟练度。

4. 配送场景下的业务变种题：订单分配、路径规划与运筹优化

到了这一part，才真正体现点我达这类即时配送公司笔试的独特之处。纯算法题是海选工具，业务变种题才是筛选核心算法候选人的分水岭。这类题目不会直接给你一个标准的数据结构题，而是把实际的配送业务场景扔出来，让你自己建模、自己选算法、自己处理各种约束条件。

4.1 路径规划的本质：TSP与VRP的简化版

题面大概长这样："一个骑手需要从站点出发，依次前往n个取餐点取餐，再送往m个用户地址，要求在满足所有订单时效的前提下，找到总骑行距离最短的路线。请设计算法。"

这题本质上是一个带有取送约束的路径规划问题，学术界叫PDP（Pickup and Delivery Problem），是VRP的一个变种。笔试中不会要求你求精确最优解——因为这是NP难问题，n一旦超过20，精确求解就非常困难。它考的是你能否意识到这个问题的复杂性，并给出一个合理可执行的近似解方案。

合理的回答思路是分层的：

• 如果是小规模实例（n+m不超过10），可以退化成TSP，用状态压缩DP求精确解。
• 如果是大规模实例，用贪心构造初始解（最近邻策略、最小插入法），再用2-opt / 3-opt局部搜索优化，或者用模拟退火、遗传算法做全局优化。
• 别忘了提到约束条件怎么处理：骑手必须先到取餐点再到用户地址，每个订单有窗口期约束，骑手有最大载具容量。这些约束超出题面要求时，先拆出去作为"进阶扩展"，在答题时写清楚。

答题时建议先给结论和算法选型，再画一个简要流程，最后写关键代码片段。阅卷人会关注你是否理解"精确解 vs 近似解"的取舍逻辑，以及你能否把业务约束转化为代码中的约束条件。

4.2 订单分配：从贪心到KM算法

另一个常见场景题是："有n个骑手和m个订单，每个骑手到每个取餐点的距离/时间已知，如何把订单分配给骑手，使得整体配送时间最短？"

这题的逻辑层次很丰富。如果要求"每个骑手最多分配一个订单"，这是标准的指派问题，可以用匈牙利算法（KM算法）求最优解。但如果允许"一个骑手顺路带多个订单"，模型的复杂度立刻上升，近似算法可能是更现实的选择。

在笔试中遇到这类题，我建议你按这样的结构回答：

1. 把问题抽象为数学模型：定义决策变量x[i][j]表示骑手i是否接单j，定义目标函数是总配送时长最小化。
2. 分析约束条件：每个订单必须被分配，每个骑手有最大接单数。
3. 如果模型是简单的指派问题，用KM算法或匈牙利算法求解，时间复杂度O(n³)。
4. 如果模型带容量约束，指出它是广义指派问题（GAP），本身是NP难的，工程上通常用贪心（如最小边际成本优先分配）或启发式搜索求解。

踩过笔试的坑才知道：阅卷人不是要你现场推导出一个NP难问题的多项式解，而是想看到你对资源分配问题有系统性的建模能力。哪怕你给出的最终解法是贪心，只要能清晰地说明贪心策略的合理性和局限性，也是高分答案。

4.3 ETA预估与机器学习基础

ETA（预计到达时间）预测是即时配送的核心算法之一，笔试中极有可能以简答题或案例分析题的形式出现。题目可能长这样："请设计一个模型，预测骑手从当前位置到商家再到用户的全程耗时。"

回答这类问题的框架要清晰：数据层面，需要历史订单数据、骑手轨迹数据、天气数据、交通数据、商家出餐时长等；特征工程层面，要考虑距离、时段、天气、骑手熟悉度、商家繁忙程度；模型层面，可以用梯度提升树（XGBoost、LightGBM）作为主力模型，因为它对表格数据效果好、可解释性也相对强；评估层面，MAPE（平均绝对百分比误差）是ETA领域的常用指标。

这里有个容易忽略的细节：预测任务不只有"算一个点估计"，还要考虑时效性。配送高峰期和低峰期的ETA分布完全不同，一个全局模型很难同时拟合两种状态。因此实际工程中经常对数据分层建模，比如按城市、按时段、按商家品类分别建模。笔试简答题里提到这一点，会明显拉开你和别人的差距。

4.4 数据流与实时计算：三角不等式与启发式

业务变种题中还有一种题型考查的是"实时性"意识。比如："系统每秒产生大量新订单，骑手位置也在不断变化，如果每次都用全局最优算法重新分配，耗时太长，有什么实时策略？"

这道题的考点是：流式数据下的近似决策能力。你在笔试中如果能主动提及滑动窗口、批处理加微调（先对一批订单做全局最优分配，新订单到来时用局部贪心插入到现有路径）、以及用三角不等式做快速下界估计，会让阅卷人眼前一亮。这种题目考的不是"你会不会背算法"，而是"你有没有实时调度系统的工程sense"。

5. 机器学习与数据挖掘考点：按业务价值区分出题重点

即时配送公司算法团队的工作不只是路径规划和订单匹配，还包含供需预测、用户行为分析、智能定价等方向。所以机器学习在笔试中的占比不容小觑。结合2019年前后的行业技术热点，我梳理出以下几个最可能出现的考点。

5.1 传统机器学习算法：KNN、聚类、GBDT

KNN是一个看似简单但高频出现的考点。题目典型版本是："请简述KNN算法的原理，K值对模型性能有什么影响？"这类题考察的是你有没有真正理解KNN的几何本质：样本空间中距离越近的样本，类别越可能相同。K值太小容易过拟合，K值太大则导致决策边界过于平滑，分类错误率上升。还可以提一句KNN的时间复杂度是O(nd)，n是样本数，d是特征维度——预测阶段需要计算待测样本和所有训练样本的距离，所以在高维大数据集上效率极低，需要借助KD树或局部敏感哈希加速，这一句话就能体现出你的工程直觉。

聚类算法里考得最多的是K-Means，不外乎让你描述算法流程、如何选择K值、如何评估聚类效果。但点我达这类公司可能会把聚类场景嵌入业务："如何对用户地址进行聚类，以优化配送区域划分？"你回答时要能说出：K-Means需要预设K值，落地时通常用轮廓系数、肘部法则辅助选K；样本点主要是经纬度坐标，距离计算应该用球面距离（Haversine公式），而不是欧氏距离——因为你不能把经纬度当作平面坐标系直接算距离。这个细节在业务场景题里是加分项。

梯度提升树（GBDT/XGBoost/LightGBM）当年在机器学习的笔试中已经大量出现。常规考点是："XGBoost相比GBDT做了哪些优化？"至少应该答出四到五点：加入正则化项防止过拟合；对损失函数做二阶泰勒展开，比一阶导数信息更精确；支持列抽样；可以并行建树（在特征维度的分裂点查找上做并行）；支持自定义损失函数。如果简答题还给了具体的业务场景，比如"如何预测未来30分钟的订单量"，你的答案里最好能体现特征工程和模型选择的联动，而不仅仅是把模型参数背一遍。

5.2 强化学习与运筹优化的交叉考点

2019年前后，强化学习在调度领域的学术论文呈井喷趋势。笔试不会让你从零推导PPO，但简答题很可能会问："强化学习与传统运筹优化方法在调度问题上的优缺点对比。"

答题思路要客观，不要一味吹捧强化学习。传统运筹方法（整数规划、约束规划、启发式）可解释性强、在小规模问题上最优性有保证，但面对高维随机环境时建模复杂、求解耗时。强化学习能从历史数据中学习策略、适应环境动态变化，但需要大量探索，在真实系统中直接试错成本极高，通常需要先离线训练再上线微调。在调度场景里，业界主流方式其实是将强化学习与规则引擎、启发式方法混合使用，用强化学习做全局策略建议，用规则做安全兜底。这个"混合"的判断比单纯站队更成熟。

5.3 卡尔曼滤波与时间序列预测

有人可能会问：配送行业的笔试为什么要考卡尔曼滤波？因为骑手轨迹追踪、ETA动态校正、订单量实时预测，都涉及对时间序列的滤波和预测。卡尔曼滤波的题大概率是简答题，让你描述它的核心思想：通过"预测"和"更新"两个步骤，在观测有噪声的情况下，估计系统真实状态。你需要说出状态转移方程、观测方程、预测协方差矩阵、卡尔曼增益，以及"卡尔曼增益的直觉理解——当观测噪声大时，增益变小，更相信预测；当预测噪声大时，增益变大，更相信观测"。

另一个高频考点是ARIMA和指数平滑的基础。比如给一段历史订单量数据，问"如果要预测未来一个时间窗的订单量，你会选择什么模型，为什么"。关键得分点是：先做平稳性检验（ADF检验），必要时差分；看ACF/PACF图定阶；用AIC/BIC选择p和q；最后用残差白噪声检验验证模型。这种回答思路比直接写"我用LSTM预测"更有说服力，因为在业务数据量和实时性要求下，传统统计模型往往比深度学习更实用。

5.4 模型评估与过拟合治理

机器学习相关的选择题和简答题里，模型评估是必考方向。知识点包括准确率、精确率、召回率、F1、AUC、ROC，以及过拟合的识别与应对。

业务场景中的出题方式是："配送超时预测模型中，超时订单占比不到5%，模型在所有订单上预测准确率高达95%，这个模型能用吗？"答案是：不能用，因为样本类别极度不平衡，准确率是个误导性指标。你需要用PR曲线、召回率和F1评估模型；同时要给出针对不均衡数据的治理方案：欠采样/过采样、使用class_weight、把问题建模成异常检测、或使用代价敏感学习。能主动说出"准确率在类别不均衡时是陷阱指标"这一层，就能证明你不是只会调包。

5.5 深度学习基础：只考核心概念

2019年校招笔试题中，深度学习直接出大题的较少，但选择题和简答题会出现基础概念。比如CNN的卷积核和池化层作用、RNN的梯度消失、激活函数的选择、过拟合的Dropout/BatchNorm原理。偶尔有公司会让你手写一个简单的全连接网络反向传播推导——这是深度学习的基础分水岭，不会推导真的说不过去。

备考建议是：深度学习部分不用去啃复杂的新型网络结构，把反向传播、梯度下降、常见损失函数和TensorFlow/PyTorch的基本用法吃透就足够了。

6. 备战时间轴与避坑经验：从投递简历到笔试当天的关键节点

讲了这么多考点，最后聊点务实的备考计划和笔试现场策略。算法笔试不只是一场知识储备的考试，更是一场时间管理、心态管理和细节管理的综合较量。

6.1 建议的四阶段备考计划

第一到二周：基础复习期。把数据结构和算法的基础知识过一遍，重点是数组、链表、栈、队列、哈希表、树、图、排序、二分查找。每天抽两小时刷LeetCode的Easy和Medium题，目标是建立手感。

第三到四周：专题突破期。集中刷动态规划、贪心算法、图论最短路、字符串匹配等高频专题。这一阶段推荐按题型分类刷题，而不是按题号刷。每道题做三遍：第一遍独立思考，第二遍看题解后自己实现，第三遍隔三天复写。三遍法看着慢，但效果远好于每道题只过一遍。

第五周：业务场景题专项。开始看运筹优化、路径规划、指派问题、VRP简化题这些和配送业务相关的题目。这一步是在补别人一般不准备的板块——也是你和普通候选人拉开差距的地方。可以去了解一下开源库如OR-Tools的求解思路，但笔试中更重要的是手动建模和经典求解算法的实现。

考前一周：模拟考试。找两套往年题，严格按照笔试时间限制做，期间不能翻书、不能查看资料。模考的目的有三个：判断自己的做题节奏、暴露知识盲区、检验代码手写能力。模考中一旦出现卡壳超过20分钟的题目，果断放弃，先保中等难度题的AC率。

6.2 笔试中的三个关键操作细节

第一，阅读题目时圈出关键约束。数据范围决定算法选型：n≤20时考虑状态压缩DP或暴力搜索，n≤10^3时O(n²)可接受，n≤10^5时O(n log n)是常态，n≤10^7时必须O(n)。很多同学不看数据范围就开写，结果选择了错误复杂度的算法，测试用例一跑必然超时。

第二，不要追求一次AC。先写出一个能过样例的暴力解法，拿到保底分，然后在此基础上优化。笔试系统通常是按测试用例通过比例给分，暴力解哪怕只过了60%的用例，也比一个没调通的"最优解"强得多。

第三，写代码时注意输入输出格式。很多非互联网公司的笔试沿用传统OJ风格，输入输出格式有严格约定。比如"多组输入"意味着你需要循环读取数据直到EOF，而不是只处理一组。这个细节每年都能淘汰一批实力不错的候选人。

6.3 常见翻车点专项提醒

有些错误我亲眼见过很多人反复犯，这里集中列一下：

• 递归忘记写终止条件。这是笔试环境中压力所致，但最容易避免。写递归时先写出口，再写递归逻辑。
• KMP的next数组边界。n=1时next[0]应该是-1还是0，不同定义不同，写之前明确自己的定义。
• 动态规划的dp数组初始化不完整。有多次查询时dp数组需要重新初始化，不然上一次的结果残留导致错误。
• 浮点数比较用等号。涉及路径长度、概率计算时，浮点数要用差值小于某个epsilon来判断。
• 栈溢出。如果数据范围大，优先把递归改成迭代。尤其是深度优先搜索在树/图上的遍历，数据量一上来，递归栈说爆就爆。

6.4 笔试当天的策略建议

考试开始后先花两分钟通读全部题目，在心里给每道题标一个"难度+预期耗时"的标签。然后按照以下顺序作答：先做有把握拿满分的题目，再做中等难度的题目，最后啃难题。选择题和简答题不要空着，不会的也要蒙一个——笔试很多是机器改卷，选择题蒙对的概率至少不是零。

编程题建议在本地IDE跑通样例后再提交，不要盲目相信"在线编辑器的代码没问题"。如果在线编辑器没有本地调试功能，也要在脑海里逐步模拟小数据样例。宁可多花五分钟自查一个边界条件，也不要为了抢时间连续提交错误的代码——部分笔试有"提交次数影响最终得分"的规则。

从我个人的备考经验来看，校招笔试考察的不只是知识积累，更是"你在有限时间内解决问题的思维方式"。点我达2019届校招算法笔试这类以供应链、物流调度为业务背景的题目，恰恰是锻炼这种思维方式的好素材。即便你不投递这家公司，也建议把这类"业务场景+算法选型"的题目做几道，它对算法综合素质的提升，比单纯刷LeetCode有效得多。

最后分享一个我从这些题目里悟到的小技巧：当题目出现"配送""网格""容量""时效"这些词时，先别急着动手，花30秒在草稿纸上把业务参数映射成算法参数。订单数量是n，骑手数量是m，时间窗是约束条件，目标是最大利润——映射完你就会发现，题面再花哨，内核还是那个你刷过无数遍的经典算法。这种"翻译"能力，才是校招笔试真正想考核的东西。