驱动开发中设备树的解析流程：系统学习
2026/1/20 2:44:09
计算机常用算法是解决各类工程问题的核心工具，按应用领域+核心思想可分为10大核心类别，覆盖基础数据处理、工程开发、机器学习/计算机视觉、后端服务、智能系统等所有常见场景，结合你熟悉的C++开发、OpenCV、智驾感知/后处理背景，每个算法都会标注核心思想+适用场景+贴合你的实际开发例子，兼顾完备性和实用性，零基础也能理解。
一、基础排序&查找算法（所有开发的「基本功」，工程中高频使用）
是处理线性数据的基础，C++ STL（sort/binary_search）已内置实现，开发中直接调用，但需理解原理适配场景。
核心排序算法
算法 | 核心思想 | 时间复杂度 | 适用场景 | 你的开发例子 |
快速排序 | 分治，选基准分治左右区间 | O(nlogn) | 通用排序，原地排序省内存 | 对检测框的坐标/置信度排序 |
归并排序 | 分治，先拆后合并有序子数组 | O(nlogn) | 稳定排序、大数据/外排序 | 图像像素点的有序化处理 |
堆排序 | 利用堆结构的顶元素特性 | O(nlogn) | 实时取TopK（最大/最小） | 取置信度前N的目标检测框 |
冒泡/插入排序 | 简单交换/插入调整 | O(n²) | 小规模数据（n<100） | 少量传感器数据的排序 |
核心查找算法
算法 | 核心思想 | 时间复杂度 | 适用场景 | 你的开发例子 |
二分查找 | 有序数组折半缩小范围 | O(logn) | 有序数据的快速查询 | 查找图像像素的指定灰度值位置 |
哈希查找 | 哈希函数映射键值对 | O(1)（平均） | 高频增删查、缓存 | 传感器数据的键值对缓存查询 |
线性查找 | 顺序遍历 | O(n) | 无序、小规模数据 | 遍历检测结果的单个目标 |
高频用法：工程中直接用C++ STL——sort()（快速排序底层）、binary_search()（二分）、unordered_map（哈希查找）。
二、字符串&文本处理算法（处理字符/文本数据，日志/标注/协议解析）
你开发中可能接触图像标注文本、日志解析、通信协议字符串处理，这类算法是核心，C++可结合string/regex库使用。
字符串匹配：KMP算法（预处理模式串，避免重复匹配，用于固定协议解析）、BF算法（简单暴力，小规模匹配）、BM算法（工业级，比KMP更快，如文本检索）；
正则表达式：基于有限状态机，用于模糊匹配/提取（如从日志中提取传感器错误码、从标注文本中提取目标坐标）；
字符串处理：分割/拼接/替换（C++
split/substr）、子串查找（find）、回文判断（小众，面试高频）；布隆过滤器：高效判断「元素是否存在」，低误判率，用于大规模文本/数据的快速过滤（如智驾中过滤无效的传感器数据标识）。
三、图论算法（解决「节点+边」的关系问题，智驾/后端/网络核心）
图论是智能驾驶规控、路径规划、网络通信、拓扑分析的核心，你做智驾感知后处理，后续接触规控会高频用到。
基础图操作
图的存储：邻接矩阵（稠密图，如小范围路径规划）、邻接表（稀疏图，如城市道路网）；
图的遍历：深度优先搜索（DFS，递归/栈，如地图拓扑遍历）、广度优先搜索（BFS，队列，如层级路径查找）。
工程高频图算法
算法 | 核心思想 | 适用场景 | 你的开发例子 |
Dijkstra | 贪心，求单源最短路径（无负权） | 路径规划、最短距离 | 智驾中无拥堵的最短路径规划 |
A*（A星） | Dijkstra+启发函数（预估代价） | 实时路径规划（最优+高效） | 智驾核心路径规划算法（车载端主流） |
Floyd-Warshall | 动态规划，求多源最短路径 | 小规模图的全路径规划 | 园区内智驾小车的路径规划 |
Kruskal/Prim | 贪心，求最小生成树 | 网络拓扑、布线优化 | 车载传感器网络的拓扑构建 |
拓扑排序 | 处理有向无环图（DAG） | 任务调度、依赖执行 | 智驾算法的模块执行顺序调度（如先感知后规控） |
四、动态规划（DP）—— 解决「最优子结构」问题，高精度优化
核心思想：将大问题拆分为重叠的小问题，保存小问题的解避免重复计算（「空间换时间」），适合多阶段、有重叠子问题、最优子结构的优化场景，精度高但实现稍复杂。
工程高频DP算法/模型
经典模型：01背包（物品选/不选，如智驾中传感器组合选型）、完全背包（物品可重复选，如资源分配）、最长公共子序列（LCS，如图像特征匹配、文本相似度）、最长递增子序列（LIS，如轨迹点的有序化）；
适用场景：路径优化、资源分配、特征匹配、序列预测；
你的开发例子：智驾中车辆轨迹的最优规划（多阶段的路径代价优化）、OpenCV中两幅图像的特征点序列匹配（LCS）、传感器资源的最优分配（背包模型）。
五、贪心算法—— 解决「局部最优推全局最优」问题，实时性优先
核心思想：每一步选择当前局部最优解，不考虑全局后续，无需保存子问题解，特点是实现简单、运行高效（时间复杂度低），适合对实时性要求高、可接受局部最优的场景（工程中比动态规划更常用，因为平衡效率和效果）。
工程高频用法
经典例子：哈夫曼编码（数据压缩，如车载传感器数据的压缩存储）、活动选择问题（任务调度，如智驾算法的任务优先级调度）、零钱兑换（简单资源分配）；
你的开发例子：智驾中实时避障的局部路径选择（每一步选当前无障碍物的最优方向）、目标检测后处理的简单框筛选（选当前置信度最高的框）、图像压缩的哈夫曼编码（OpenCV图像存储优化）。
关键区别：贪心≠动态规划——贪心局部最优，高效但不一定全局最优；DP全局最优，但耗时/耗内存，工程中优先用贪心（实时性），精度要求极高时用DP。
六、分治算法—— 解决「大问题拆独立小问题」，并行计算友好
核心思想：分而治之，将大问题拆分为相互独立、结构相同的小问题，分别解决后合并结果，是并行计算、大规模数据处理的核心思想，很多经典算法（快速排序、归并排序、FFT）都是分治的实现。
工程高频用法
经典实现：快速排序/归并排序、二分查找、快速傅里叶变换（FFT，信号处理）；
适用场景：大规模数据处理、并行计算、图像分块处理；
你的开发例子：OpenCV中图像分块滤波/特征提取（将大图像拆为小分块，多线程并行处理）、激光雷达点云的分块聚类（大规模点云拆分为小区域，分别聚类后合并）、智驾中多传感器数据的分块处理。
七、回溯&剪枝算法—— 解决「穷举搜索」问题，候选集筛选
核心思想：深度优先穷举所有可能的解，在搜索过程中「剪枝」排除无效解，避免全量穷举，适合组合/排列、候选集筛选、约束满足的问题，工程中常用于小规模候选集的最优解查找。
工程高频用法
经典例子：八皇后问题、子集和问题、排列组合；
适用场景：目标候选框筛选、特征点匹配、组合选型；
你的开发例子：目标检测中候选框的剪枝筛选（排除超出图像边界、置信度过低的框，减少后续计算）、智驾中传感器组合的候选集筛选（满足约束的传感器组合）、图像特征点的匹配对剪枝（排除错误的特征匹配对）。
八、数值计算算法（OpenCV/图像处理/信号处理的「底层核心」）
你做OpenCV开发、图像后处理、传感器数据计算，这类算法是最核心的底层工具，OpenCV已封装所有实现，但理解原理能帮你解决调参/报错问题（比如之前的Mat ROI断言错误）。
工程高频数值算法
矩阵运算：矩阵乘法、转置、求逆、特征值分解（EVD）、奇异值分解（SVD）——OpenCV
cv::Mat的核心操作，用于图像变换、特征提取、传感器标定（如相机内参标定的矩阵求解）；卷积/相关运算：滑动窗口的加权求和——图像滤波、特征提取的核心（如高斯滤波、Sobel边缘检测、CNN的卷积层）；
插值算法：最近邻插值、双线性插值、双三次插值——OpenCV中图像缩放/裁剪/仿射变换（如将检测框缩放到固定尺寸，避免像素失真）；
数值拟合/求解：最小二乘法（数据拟合，如传感器数据的误差拟合）、牛顿迭代法（求解方程，如相机畸变校正的参数求解）；
滤波算法：卡尔曼滤波、均值滤波、高斯滤波、中值滤波——传感器数据去噪、目标跟踪（智驾中激光雷达/摄像头数据去噪，卡尔曼滤波是目标跟踪的基础）。
九、机器学习基础算法（智驾感知/计算机视觉的「核心算法」）
你做智能驾驶感知后处理，这类算法是感知层的核心，分为传统机器学习（工程中易部署、实时性高）和深度学习（高精度，需硬件加速），C++可通过OpenCV/ML库/TensorRT部署。
传统机器学习（车载端主流，易部署）
算法 | 核心思想 | 适用场景 | 你的开发例子 |
K-Means | 聚类，按距离划分类簇 | 无监督分类、数据分群 | 激光雷达点云的聚类（区分障碍物/地面） |
SVM（支持向量机） | 找最优超平面分类 | 二分类、小样本分类 | 目标的二分类（如行人/非行人） |
决策树/随机森林 | 按特征递归划分决策节点 | 多分类、特征重要性分析 | 多目标分类（行人/车辆/非机动车） |
贝叶斯分类器 | 基于贝叶斯定理的概率分类 | 文本/图像分类、低噪声场景 | 图像目标的快速分类 |
KNN（K近邻） | 按最近K个样本分类/回归 | 简单分类/回归、小样本 | 传感器数据的异常检测 |
深度学习（高精度，需GPU/TPU/NPU加速）
卷积神经网络（CNN）：基于卷积的特征提取，用于目标检测、图像分类、语义分割（智驾中主流的感知算法，如YOLO、Faster R-CNN、UNet）；
循环神经网络（RNN/LSTM/GRU）：处理序列数据，用于轨迹预测、时序数据分析（智驾中车辆/行人的轨迹预测）；
Transformer：自注意力机制，用于多传感器融合、全局特征提取（新一代智驾感知算法，如BEVFormer）；
后处理算法：非极大值抑制（NMS）——你做的
postprocess.cpp核心算法，用于过滤目标检测的重复框，保留最优框（OpenCV已封装cv::dnn::NMSBoxes）。
十、工程专用算法（流式/实时/嵌入式，贴合开发场景）
针对计算机工程的实际需求（实时性、嵌入式、流式数据），是上述基础算法的工程化优化，你做车载嵌入式开发（智驾）会高频用到。
流式/在线算法：处理实时连续的数据流（如传感器/摄像头的实时数据），无需加载全量数据（如在线排序、在线聚类、滑动窗口统计）；
嵌入式优化算法：针对嵌入式设备（车载MCU/MPU）的低算力优化（如算法的定点化、剪枝、量化，减少计算量和内存占用）；
多传感器融合算法：卡尔曼滤波、扩展卡尔曼滤波（EKF）、无迹卡尔曼滤波（UKF）、贝叶斯融合——智驾核心算法，融合激光雷达/摄像头/毫米波雷达的数据，提升感知精度；
非极大值抑制（NMS）& 改进NMS：如Soft-NMS、DIoU-NMS——目标检测后处理标配算法，解决重复检测框问题；
滑动窗口算法：固定窗口遍历数据，用于特征提取、目标检测、数据统计（如图像的滑动窗口特征提取、传感器数据的滑动窗口去噪）。
关键选型建议（结合你的C++/OpenCV/智驾开发）
算法没有“最优”，只有“最适合”，结合你的开发场景（车载嵌入式、智驾感知后处理、OpenCV），选型核心原则：
实时性优先：车载端对延迟要求高（毫秒级），优先选贪心算法、传统机器学习、轻量图算法（A*）、工程优化算法（NMS/卡尔曼滤波），避免复杂的动态规划/深度学习（需硬件加速）；
OpenCV开发：直接用OpenCV封装的算法——排序/查找（STL）、卷积/插值/滤波（
cv::filter2D/cv::resize）、NMS（cv::dnn::NMSBoxes）、矩阵运算（cv::Mat）；感知后处理：核心用NMS（去重）、排序算法（置信度排序）、聚类算法（点云/框聚类）、卡尔曼滤波（跟踪）；
规控衔接：接触路径规划时，核心用A*算法（路径规划）、拓扑排序（任务调度）、贪心/DP（路径优化）；
嵌入式部署：算法需轻量化优化（如深度学习模型的量化/剪枝、传统算法的定点化），优先用C++实现，避免大内存的算法。
总结
计算机常用算法按从基础到工程的顺序，核心是排序/查找（基本功）→ 数值计算/字符串（底层处理）→ 图论/DP/贪心（优化问题）→ 机器学习/计算机视觉（智能感知）→ 工程专用算法（落地优化）。
对你的C++/OpenCV/智驾开发而言，高频核心算法是：排序/二分查找、卷积/插值/滤波（OpenCV）、NMS/卡尔曼滤波（后处理/跟踪）、A（路径规划）、K-Means/CNN（感知）、哈希查找（缓存）*，这些是你日常开发和后续技术提升的重点。
要不要我帮你整理一份智驾感知后处理专用算法清单（含NMS、卡尔曼滤波等的C++/OpenCV实现思路）？