学习用于同一目的的不同算法/数据结构的原因是什么？

自从我是一名本科生以来，我一直在想这个问题。这是一个普遍的问题，但我将在下面详细说明。

我见过很多算法-例如，对于最大流量问题，我知道大约3种算法可以解决该问题：福特-富克森（Ford-Fulkerson），埃德蒙兹-卡普（Edmonds-Karp）和狄尼克斯（Dinic），其中狄尼克斯具有最高的复杂性。

对于数据结构（例如堆），有二进制堆，二项式堆和Fibonacci堆，其中Fibonacci堆具有最佳的整体复杂性。

让我感到困惑的是：我们有什么理由需要全部了解它们吗？为什么不学习并熟悉最好的复杂性呢？

我知道这是最好的，如果我们都了解它们，我只是想知道是否有任何“更有效的”原因，例如某些问题/算法只能通过使用A而不是B来解决，等等。

有一本书等待出版，标题为《数据结构，算法和权衡》。您可能会在本科阶段学习的几乎每种算法或数据结构都具有某些功能，这使其在某些应用程序中比其他应用程序更好。

让我们以排序为例，因为每个人都熟悉标准的排序算法。

首先，复杂性不是唯一的问题。在实践中，常量因素很重要，这就是为什么（例如）快速排序比堆排序更多地被使用的原因，即使快速排序具有最糟糕的最坏情况复杂性。

$O(n \log n)$

在其他情况下，来自算法或数据结构的想法可能适用于特殊目的的问题。冒泡排序似乎总是比实际硬件上的插入排序慢，但是执行冒泡传递的想法有时正是您所需要的。

例如，考虑一下现代视频卡上的某种3D可视化或视频游戏，出于性能原因，您希望在其中按从最接近相机到最远离相机的顺序绘制对象，但是如果您无法获得准确的订单，则硬件将负责处理。如果在3D环境中移动，则对象之间的相对顺序在帧之间不会有太大变化，因此，每帧执行一次气泡传递可能是一个合理的权衡。（Valve的Source引擎这样做是为了产生粒子效果。）

持久性，并发性，缓存局部性，在群集/云上的可伸缩性，以及许多其他可能的原因，即使您关心的操作具有相同的计算复杂性，一个数据结构或算法可能比另一个更合适。

话虽如此，这并不意味着您应该记住一堆算法和数据结构，以防万一。大部分战斗是在意识到首先要权衡要利用的东西，并且如果您认为可能存在适当的东西，则知道要去哪里寻找。

除了在无数的机器模型（TM，RAM，PRAM等）上存在无数的成本衡量指标（运行时间，内存使用，高速缓存未命中，分支错误预测，实现复杂性，验证的可行性...）这一事实之外， ，平均与最差情况以及摊销等因素相互权衡，通常在基本教科书规范范围之外还存在功能差异。

一些例子：

• Mergesort是稳定的，而Quicksort不是。
• 二进制搜索树为您提供有序的迭代，而哈希表则没有。
• Bellman-Ford可以处理负边权重，Dijkstra不能。

还有一些教学上的考虑因素：

• 在较简单的解决方案之前了解一个涉及更多的解决方案有多容易？（没有BST的AVL树（及其分析）；没有Ford-Fulkerson的Dinic； ...）
• 与每个问题只接触一个解决方案相比，您遇到的原理和模式是否相同？
• 暴露于每个问题一个解决方案是否可以提供足够的培训（掌握）？
• 您是否应该知道找到了哪些解决方案的广度（以防止您一遍又一遍地重新发明轮子？）？
• 如果每个问题仅遇到一个解决方案，您是否会理解在野外找到的其他解决方案（例如，在现实世界的编程库中）？

1. 对于没有可用的丰富CS工具箱的程序员类型，我们可以从中看到很多东西。

在现实世界中，有时您可能正在使用由其他人编写的软件。其中一些软件是在您出生之前编写的！

为了了解所使用的算法/数据结构，了解大量算法/数据结构（包括不再被视为“最新技术”的选项）非常有帮助。

您还必须处理非标准的算法，这些算法仅在您正在处理的应用程序中使用。当您必须研究这些人如何改进算法时，当您必须改进这些算法时，您会发现大脑已经充满了有用的方法来改进算法。

这使那些学习计算机科学的人与刚刚学会编程的人脱颖而出。在我从事的大多数工作中，有一段时间学习计算机科学可以解决一个“从书本上学习”的程序员无法解决的问题，但是95％的时间我发现学习计算机科学没有给我带来任何好处超过其他有经验的程序员。

许多人正确地提到，通常没有一种最佳算法-这取决于情况。

还有一天，您可能会遇到一种陌生的情况。您知道的算法越多，您就会有更多的机会知道几乎可以用作基础解决方案的算法。

尽管拉斐尔（Raphael）的回答在某种程度上提到了这一点，但许多很好的答案，只是我认为缺少的东西。

易于实施也是要考虑的问题。
对于排序算法，这通常不是问题，因为大多数平台/语言已经实现了一种（通常比您能做的更好），但是可能无法使用更多不寻常的算法。
根据您的问题，如果实施时间是1天2周，则可能不需要绝对最佳的算法。