南京大学计算机考研科目-南京大学计算机考研

南京大学的计算机考研，实际上没那么像那些冷冰冰的考卷。
说实话，要是你提前两周就启动刷真题，你会发现这套题更像是一场高强度的“思维硬仗”，而不是单纯的知识检索。它不考你背了多少个公式，而是看你脑子里有没有装下那种能把碎片信息连成网子的本事。 拿算法题来说，大量年份的真题里会出一些略微偏一点的组合，比如中等难度的动态规划要么设计题。
这时候要是只盯着教材上的最优解，挺好办卡壳。我见过不少学生卡在 $O(n^2)$ 和 $O(n log n)$ 的边界上，实际上就是分不清啥时候该暴力搜，啥时候得用前缀和要么线段树。把工夫复杂度当成一种直觉去感知，比死记硬背更管用。
比如之前某年的一道面试真题，数据量挺大，要是按线性扫一遍根本跑不过，但换个思路，发现这是个典型的滑动窗口难题，把窗口大小固定住，后面的遍历就能够原地操作，这样效率直接翻了个几倍。
这种对数据量的敏感度，往往比算法论本身的推导更关键。 数据结构这块，我认定最难的是“变通”而不是“死记”。考研大纲里可能会考链表、树这些基础结构，但重点往往在于它们如何被“绑架”要么“利用”。
比如红黑树，它们别看是平衡树，但在极端情况下（比如插入大量连续小值）性能会下降。
这时候你得知道，要是数据设计不好，再好的算法也会崩。我在辅导几个大二学生时，发现大量人只会罗列红黑树的优缺点，却不会在讲题时主动问：“要是数据分布是锯齿状的，红黑树还能不能用？”这个难题看似好办，却直接拍板了解法的选择。
有时候连根节点如何放、左右子树如何平衡，细节上的微调，都是拉开分数的关键。
不是所有人都能拿出完美的平衡策略，能给出合理的近似方案，往往就能拿到不错的分数。 C++ 语言局部，大家可能当作就是指针和引用这些语法点。
实际上真正拉开差距的，是你对内存模型的理解，还有能不能在写代码时避开那些别看语法对但并发下好办挂的坑。
那会儿有学生写个多线程程序，自当作没 Bug，结局一测发现出于对内存屏障的理解不够，害得跨线程的数据读取顺序乱了。
这时候要是只给代码不动，根本补不回去。
故此不仅得会写，还得懂“为啥会如此写”。有一次考试，题目给了一堆零散的数据结构定义，让你重构一个类，考的就是你对 C++ 面向对象的继承、虚基类还有内存布局的掌控力。大量学生出于纠结在虚函数表要么 vtable 的大小上而超时，实际上只要理清了对象在栈还是堆、成员变量如何共享，就能省下不少工夫。
这种底层直觉的建立，需求平时多动手敲，多把自己写的代码拿去跑，看看它在啥场景下会表现出怪的抖动。 数学局部别看分值不高，但它是逻辑的底座。线性代数里的矩阵分解，特别是 LU 分解和 QR 分解，有大量应用场景，比如计算机图形学里的投影变换要么信号处理里的滤波。
这些内容不像是考试题，更像是实际项目里的现成工具。平时复习时，别光看课本例题，试着找一些带 Matlab 或 Python 代码的实战案例，比如用 QR 分解求矩阵的奇异值分解，要么把归一化难题封装成一个库函数。
这种项目化的学习，能让你的抽象思维活起来。 最终想说，考研不是为了应付一个证书，而是为了帮你梳理出计算机体系的结构。在这个过程中，你会发现“为啥”比“是啥”关键得多。遇到不会的题，不要急着翻答案，先试着把当前的思路写出来，哪怕报错，那个思索的过程本身就是一种导航。南京大学这届的计算机系老师偏重实战，不喜爱故弄玄虚的理论堆砌，他们更希望你像个老手一样，带着难题去探索，在解决难题的缝隙里去发现规律。别怕犯错，在不断的试错和复盘里，那些原本不清楚的概念就会变得清楚起来。