简介：《算法导论》第四版英文PDF是计算机算法领域的权威教材，由Cormen、Leiserson、Rivest与Stein四位学者合著，麻省理工学院出版社2022年发行，面向计算机专业学生、算法学习者及软件开发与研究人员，用于系统建立算法设计与分析的理论基础。资源包共1个文件，为21.14MB的PDF，非扫描版，排版清晰、文字可检索，便于阅读与摘录。内容从算法在计算中的角色与插入排序入手，讲解大O、Ω、Θ等渐近记号与运行时间刻画，并深入分治法、Strassen矩阵乘法、递归方程求解，以及堆排序、快速排序、线性时间排序、动态规划、图算法、字符串处理与计算几何等主题，配有实例、步骤解析与参考文献索引，适合作为课程教材或案头工具书反复查阅。目前已有1413人学习，可作为算法入门到进阶的长期参考。
1. 拿到这份 2022 英文 PDF，先想清楚它能替你省掉什么
很多人第一次翻开《算法导论》第四版，是在准备面试的前一周，结果翻到红黑树删除那节就合上了。这份 2022 年由 MIT Press 出的英文原版 PDF，非扫描、文字可选中，真正值钱的地方不是“经典”两个字，而是它把每个算法的伪代码、正确性证明、运行时间分析三件套摆在一起，让你能对着一个具体问题把“为什么这样设计”追到底。它适合三类人：正在啃数据结构与算法课的学生、需要把复杂度分析讲清楚的后端和算法岗从业者、以及想系统补齐图算法和动态规划短板的技术负责人。不适合想找“三天速成面试题”的人，这本书的厚度决定了它是工具书，不是速查表。
第四版相比第三版动了真格：新增了第 25 章二分图匹配、第 26 章并行算法、第 27 章在线算法、第 33 章机器学习算法，把机器学习里的聚类、乘性权重、梯度下降放进了算法分析的框架里讲。全书 35 章加 4 个数学附录，931 道练习、162 个问题，星号小节标给研究生层次。你拿到的是一个可以按章拆开用的知识库，而不是必须从头读到尾的小说。下面按“怎么把它用起来”的顺序拆：先讲这份 PDF 的结构怎么读，再讲伪代码怎么落到代码，然后是复杂度分析怎么对照着做，最后是踩坑和进阶技巧。
2. 把 35 章拆成可执行的阅读路线：伪代码、星号节与附录的用法
2.1 先认清这份 PDF 的骨架：八大部分与星号标记
这份 PDF 的目录本身就是一张路线图。全书分八部分：基础（第 1–5 章）、排序与顺序统计（6–9）、数据结构（10–13）、高级设计与分析技术（14–16）、高级数据结构（17–19）、图算法（20–25）、选讲（26–35）、数学附录（A–D）。每章开头有 Introduction，节末是练习，章末是问题（Problems），问题往往比练习更接近真实场景，会引入新材料。
星号（★）是这份书里最容易被忽略的导航信号。前言写得很清楚：星号小节更适合研究生，不一定更难，但可能需要更多数学背景。比如 4.6 连续主定理的证明、5.4 指示随机变量的进一步使用、19.4 按秩合并与路径压缩的分析、31.7 RSA 公钥密码系统，都带星号。我的建议是：第一遍读正文时跳过星号节，把不带星的主干走通；第二遍针对你手上的问题再回来啃星号节。这样不会在第一章就被数学证明卡死。
附录 A–D 不是摆设。求和、集合与关系、计数与概率、矩阵，这四块是正文分析的弹药库。第 3 章讲渐近记号时会用到附录 A 的求和界，第 5 章概率分析直接依赖附录 C 的离散随机变量和几何分布、二项分布。读正文卡在某个不等式上时，先翻附录对应小节，比在网上搜零散推导靠谱。
2.2 按目标选路线：三条不重叠的读法
不同诉求对应不同章节组合，硬从头读是最低效的走法。下面这张表是我自己用过、也给身边人推荐过的三条路线：
| 目标 | 必读章节 | 可跳过 | 预计投入 |
|---|---|---|---|
| 补数据结构底子 | 10、11、12、13、17、18、19 | 26–35 选讲 | 4–6 周 |
| 面试与工程复杂度 | 2、3、4、6、7、8、14、15、22、23 | 25、26、27、31 | 3–4 周 |
| 图算法与匹配实战 | 20、21、22、23、24、25 | 28–31 | 3–5 周 |
第一条路线适合刚学完一门编程语言、要建立数据结构直觉的人。第 10 章从数组、矩阵、栈、队列讲到链表和根树表示，第 11 章哈希表把直接寻址、链接法、开放寻址、哈希函数、实际考量分开讲，第 13 章红黑树是重点也是难点，插入和删除各占一节，配合 13.2 的旋转，必须动手画图。
第二条路线是大多数在职的人真正需要的。第 2 章插入排序是引子，重点在 2.2 分析算法和 2.3 设计算法；第 3 章把 O、Ω、Θ 的形式定义讲透，这一章读扎实，后面所有复杂度分析都省力；第 4 章分治与递归式解法（代换法、递归树法、主方法）是分析工具，4.5 主方法必须会用；第 14 章动态规划从钢条切割到矩阵链乘、最长公共子序列，15 章贪心从活动选择到霍夫曼编码，这两章是工程里出现频率最高的设计技巧。
第三条路线偏图。第 20 章图的表示、BFS、DFS、拓扑排序、强连通分量是地基；第 22 章单源最短路径里 Bellman-Ford、DAG 最短路、Dijkstra 三个算法要能默写；第 23 章全对最短路 Floyd-Warshall 和 Johnson；第 24 章最大流从流网络到 Ford-Fulkerson 再到二分图最大匹配；第 25 章第四版新增，把二分图匹配重讲一遍，还加了稳定婚姻和匈牙利算法解指派问题。做调度、推荐、资源分配的人，这一块直接对应工作。
2.3 伪代码怎么读：1 起始索引与“不处理错误”的约定
这本书的伪代码是刻意设计成语言无关的，但有两个约定会让写惯了 0 起始数组的人翻车。前言里作者自己点出来了：数组经常从 1 开始索引，习惯 0 起始的人要么整体减 1，要么多分配一个位置。另一个约定是伪代码不处理错误处理和其他软件工程问题，它只呈现算法本质。
读伪代码时建议做一件事：拿一张纸，把每个过程的输入、输出、循环不变式写下来。循环不变式是这本书证明正确性的核心手法，第 2 章插入排序就用它证了一遍。你不需要每次读都重证，但至少对每个算法问一句“它在循环的每一轮保持了什么性质”，这个问题答上来，算法就真懂了，而不是背下来。
以插入排序为例，书里的伪代码大致是这样（我按书里风格转成 Python，索引从 0 开始，注释标出与书里 1 起始的对应关系）：
def insertion_sort(a): # 书里 A[1..n]，这里 a[0..n-1]，整体左移一位 for j in range(1, len(a)): key = a[j] # 待插入的牌 i = j - 1 # 把比 key 大的元素依次右移 while i >= 0 and a[i] > key: a[i + 1] = a[i] i -= 1 a[i + 1] = key # 落到正确位置 return a逻辑说明：外层循环从第二张牌开始，每轮把key插到前面已排好序的序列里；内层while从右往左找第一个不大于key的位置，途中把元素右移腾位。参数上唯一要改的是索引基准，书里for j = 2 to A.length对应这里range(1, len(a))，书里i = j - 1对应这里i = j - 1，因为整体平移后差值不变。最坏情况（逆序）比较次数是 n(n-1)/2，即 Θ(n²)，最好情况（已序）是 Θ(n)，这个结论在 2.2 节有完整推导，自己推一遍比记结论有用。
3. 把书里的伪代码落成能跑的代码：三个模块的对照实现
3.1 从归并排序看分治三件套：分解、解决、合并
第 4 章开篇用分治讲矩阵乘法，但真正适合拿来练手的是第 2.3 节引入的归并排序，它把分治的“分解—解决—合并”三步摆得最清楚。书里 MERGE 过程用哨兵值（∞）简化边界判断，这是伪代码的惯用手法，落到代码里我一般不用哨兵，改用下标边界，避免依赖一个不存在的“无穷大”。
def merge(a, p, q, r): # 合并 a[p..q] 与 a[q+1..r]，两段各自已有序 left = a[p:q + 1] right = a[q + 1:r + 1] i = j = 0 k = p while i < len(left) and j < len(right): if left[i] <= right[j]: # <= 保证稳定排序 a[k] = left[i]; i += 1 else: a[k] = right[j]; j += 1 k += 1 # 收尾：把剩余一段直接搬过去 while i < len(left): a[k] = left[i]; i += 1; k += 1 while j < len(right): a[k] = right[j]; j += 1; k += 1 def merge_sort(a, p, r): if p < r: q = (p + r) // 2 # 书里用 floor((p+r)/2) merge_sort(a, p, q) merge_sort(a, q + 1, r) merge(a, p, q, r) return a逻辑说明：merge_sort只负责分解和递归，merge负责合并。参数p、q、r是闭区间下标，和书里一致，这样对照伪代码时不用换算。left[i] <= right[j]里的等号决定稳定性，去掉等号排序就不稳定，这是很多人抄代码时丢掉的细节。运行时间上，分解是 O(1)，合并是 Θ(n)，递归式 T(n) = 2T(n/2) + Θ(n)，用 4.5 节主方法第二种情况直接得 Θ(n log n)。这个递归式自己套一遍主方法，比背结论强。
3.2 动态规划的填表顺序：以矩阵链乘为例
第 14 章动态规划的核心不是“记住几个题”，而是识别最优子结构和重叠子问题，然后确定填表顺序。矩阵链乘（14.2）是最好的教学样本：给定矩阵链 A₁A₂…Aₙ，找加括号顺序使标量乘法次数最少。书里用m[i, j]存最少次数，s[i, j]存最优分割点，按链长递增填表。
def matrix_chain_order(p): # p 长度 n+1，矩阵 i 的维度是 p[i-1] x p[i] n = len(p) - 1 m = [[0] * (n + 1) for _ in range(n + 1)] s = [[0] * (n + 1) for _ in range(n + 1)] for length in range(2, n + 1): # 链长从 2 到 n for i in range(1, n - length + 2): j = i + length - 1 m[i][j] = float('inf') for k in range(i, j): # 枚举分割点 cost = m[i][k] + m[k + 1][j] + p[i - 1] * p[k] * p[j] if cost < m[i][j]: m[i][j] = cost s[i][j] = k return m, s逻辑说明：外层length控制子问题规模，保证算m[i][j]时它依赖的m[i][k]和m[k+1][j]都已算好，这就是填表顺序的意义。p[i-1]*p[k]*p[j]是合并两段子链的代价，对应书里公式。参数上，p是维度数组，n 个矩阵需要 n+1 个维度值；m和s都用 1 起始下标，和书里一致，多开一行一列是为了下标对齐，不是浪费。时间复杂度 Θ(n³)，空间 Θ(n²)。想还原加括号方案，从s[1][n]递归拆即可，书里 PRINT-OPTIMAL-PARENS 就是这个思路。
3.3 图算法落地：Dijkstra 的优先队列与松弛
第 22 章 Dijkstra 是工程里用得最多的单源最短路算法，书里 22.3 给的版本用最小优先队列维护未确定节点。伪代码里EXTRACT-MIN和DECREASE-KEY是两个抽象操作，落到代码里选什么数据结构直接决定复杂度：二叉堆是 O((V+E) log V)，斐波那契堆理论上是 O(E + V log V)，但常数大，工程里一般用二叉堆。
import heapq def dijkstra(graph, src): # graph: {u: [(v, w), ...]}，边权非负 dist = {u: float('inf') for u in graph} dist[src] = 0 pq = [(0, src)] # (当前距离, 节点) while pq: d, u = heapq.heappop(pq) if d > dist[u]: # 过期条目，跳过 continue for v, w in graph[u]: nd = d + w if nd < dist[v]: # 松弛成功 dist[v] = nd heapq.heappush(pq, (nd, v)) return dist逻辑说明：heapq没有DECREASE-KEY，常见做法是“懒删除”——松弛成功就压入新条目，弹出时用d > dist[u]判断是否过期。这个细节书里伪代码不体现，但实际写代码必须处理，否则会重复扩展节点。参数上，边权必须非负，这是 Dijkstra 正确性的前提，有负权边要换 22.1 的 Bellman-Ford。复杂度上，每条边最多触发一次入堆，堆操作 O(log V)，总计 O((V+E) log V)。书里 22.5 给了最短路性质的证明，想搞清楚为什么松弛是对的，那一节的引理值得读。
4. 复杂度分析对照手册：渐近记号、递归式与摊还分析怎么用
4.1 O、Ω、Θ 的形式定义别跳过
第 3 章把三个记号的形式定义摆出来，很多人觉得“会用就行”，结果在写论文或技术方案时把 O 和 Θ 混用。书里的定义是：f(n) = Θ(g(n)) 当且仅当存在正常数 c₁、c₂、n₀，使得对所有 n ≥ n₀ 有 c₁g(n) ≤ f(n) ≤ c₂g(n)。O 只给上界，Ω 只给下界，Θ 是紧确界。工程里说“这个接口是 O(n log n)”通常想表达 Θ，但严格说只承诺了上界。
这一章还讲了标准记号和常见函数：单调性、取整、多项式、指数、对数、阶乘、函数迭代、斐波那契数。3.3 节这些内容在分析递归算法时反复用到，比如斯特林近似在分析阶乘相关算法时出现。我的习惯是读这一章时把每个定义抄一遍，抄的过程就是理解的过程，比划线有效。
4.2 递归式三解法：代换、递归树、主方法的分工
第 4 章给了三种解递归式的方法，它们不是并列关系，而是各有适用场景。代换法（4.3）是“猜答案再归纳证明”，适合你已经从递归树或经验里猜到形式、需要严格证明的场合；递归树法（4.4）是“画树求和各层代价”，适合直观找答案，但严格性要靠代换法补；主方法（4.5）是“套公式”，适合 T(n) = aT(n/b) + f(n) 这种标准形式，三种情况分别对应 f(n) 相对 n^(log_b a) 多项式小、相当、多项式大。
主方法三种情况的判据要记准：设 a ≥ 1、b > 1，比较 f(n) 与 n^(log_b a)。情况一，f(n) = O(n^(log_b a - ε))，则 T(n) = Θ(n^(log_b a))；情况二，f(n) = Θ(n^(log_b a))，则 T(n) = Θ(n^(log_b a) log n)；情况三，f(n) = Ω(n^(log_b a + ε)) 且满足正则条件 af(n/b) ≤ cf(n)，则 T(n) = Θ(f(n))。归并排序 a=2、b=2、f(n)=Θ(n)，n^(log_2 2)=n，落在情况二，得 Θ(n log n)。二分查找 a=1、b=2、f(n)=Θ(1)，n^(log_2 1)=1，也是情况二，得 Θ(log n)。这两个例子套熟，大部分标准递归式就能秒判。
4.3 摊还分析三种方法：聚合法、记账法、势能法
第 16 章摊还分析是很多人读不下去的一章，但它是理解动态表扩容、并查集、栈操作均摊代价的关键。三种方法：聚合法（16.1）算 n 个操作的总代价再除以 n；记账法（16.2）给每种操作记“信用”，提前为昂贵操作付费；势能法（16.3）定义一个势函数 Φ，摊还代价 = 实际代价 + ΔΦ。
以动态表为例（16.4），表满时扩容一倍，单次插入最坏 O(n)，但 n 次插入总代价是 O(n)，摊还每次 O(1)。用聚合法看：扩容发生在大小 1、2、4、8… 时，总复制代价 1+2+4+…+n < 2n，加上 n 次插入本身，总代价 < 3n，摊还 O(1)。这个结论直接解释了为什么很多语言的标准库用倍增扩容而不是每次加固定长度。势能法里取 Φ = 2·num - size（num 是元素数，size 是表容量），每次插入的摊还代价是常数，推导在 16.4 节，值得自己推一遍。
5. 避坑与排查：读这份 PDF 最容易翻车的五个地方
5.1 现象：照着伪代码写出来结果不对，下标差一位
原因：书里数组大量从 1 起始，伪代码里A[1..n]、for i = 1 to n是常态，直接抄进 0 起始语言，边界全错。解决：动手前先决定“整体平移”还是“多开一格”。整体平移就是把所有下标减 1，循环上界相应调整；多开一格是数组长度 n+1、只用 1..n，代码里保留书里下标。我一般选整体平移，因为和语言习惯一致，但每处下标都要过一遍，尤其是A.length和n混用的地方。
5.2 现象：红黑树删除写完，测试用例过一半挂一半
原因：第 13.4 节删除有四种情况，其中“兄弟节点为黑且其两个子节点都为黑”会向上递归，很多人只处理了当前层，忘了z = x.p继续循环。解决：把 13.4 的伪代码逐行对照，特别注意while循环的终止条件x ≠ T.root 且 x.color == BLACK，以及循环结束后无条件x.color = BLACK。红黑树这种结构，玄学调试不如老老实实画图，每删一个节点画一遍颜色变化，比打断点快。
5.3 现象：Dijkstra 在有负权边的图上给出错误答案
原因：Dijkstra 的贪心选择依赖“已确定节点的距离不会再被缩短”，负权边破坏这个前提。书里 22.3 明确假设边权非负，24.1 的流网络也要求容量非负。解决：有负权边换 Bellman-Ford（22.1），它能处理负权并检测负环；如果是 DAG，用 22.2 的 DAG 最短路，按拓扑序松弛一遍就是 O(V+E)。别试图给 Dijkstra 打补丁，换算法才是正路。
5.4 现象：主方法套不上，递归式里 f(n) 不是多项式
原因：主方法只覆盖 T(n) = aT(n/b) + f(n) 且 f(n) 与 n^(log_b a) 多项式可比的情形。遇到 T(n) = 2T(n/2) + n log n 这种，f(n) = n log n 比 n 大但不是多项式大，主方法三种情况都不严格满足。解决：用 4.6 的连续主定理（带星号）或 4.7 的 Akra-Bazzi 方法，或者退回递归树加代换法。工程里遇到套不上的递归式，先画两层递归树估个阶，再用代换法证，比硬套公式稳。
5.5 现象：PDF 文字能选中，但公式和伪代码复制出来乱码
原因：这份是文字版非扫描 PDF，正文可选中，但数学公式和伪代码块往往用特殊字体或排版，复制到编辑器里符号错位、缩进丢失。解决：公式和伪代码不要复制，手敲或截图对照。手敲伪代码的过程本身就是理解过程，我读第 14 章时把每个 DP 表的填表顺序手写了一遍，比复制十遍有用。另外，读 PDF 时用书签按“部分—章—节”建三级目录，35 章的书没有书签会迷路。
6. 进阶用法：把这本书变成可检索的个人算法库
读到第二遍，我的用法会变：不再按章读，而是按“问题—算法—分析”建索引。具体做法是给每章建一个 Markdown 笔记，固定四栏：问题描述、算法伪代码（手敲）、复杂度、适用边界。比如第 24 章最大流，问题栏写“网络流最大传输”，算法栏放 Ford-Fulkerson 和 Edmonds-Karp 的伪代码，复杂度栏写 O(E·|f*|) 和 O(VE²)，边界栏写“容量为整数时终止，实数容量可能不终止”。这样下次遇到具体问题，搜关键词就能定位到章节和边界条件，比翻目录快得多。
再进一步，把书里的算法按“设计技巧”重新归类，而不是按章节。分治：归并排序、Strassen、快速排序、最近点对（习题）；动态规划：钢条切割、矩阵链乘、LCS、最优二叉搜索树、最长回文子序列（习题）；贪心：活动选择、霍夫曼、离线缓存；摊还：动态表、并查集。同一技巧下的算法放在一起看，共性就出来了——动态规划的共性是“最优子结构 + 重叠子问题 + 自底向上填表”，贪心的共性是“贪心选择性质 + 最优子结构”，这两个判据在 14.3 和 15.2 有专门小节讲，是全书最值得反复读的两节。
第四版新增的第 33 章机器学习算法值得单独提一句。33.1 聚类讲的是 k-means 和它的问题，33.2 乘性权重算法（Multiplicative-Weights）是在线学习的经典框架，33.3 梯度下降从算法角度讲收敛性。这三节把机器学习里常用的东西放进了算法分析的语境，对做推荐和在线决策的人有直接参考价值。读的时候注意，书里讲的是算法层面的保证（比如乘性权重的 regret 界），不是工程调参，别指望它教你调学习率。
最后一个习惯：每读完一个算法，用一个小数据集手算一遍。红黑树插入手画三层，Dijkstra 手算五个节点，矩阵链乘手填 4×4 的表。手算一遍，伪代码里那些“看起来显然”的步骤才会暴露成真正的理解缺口。从那以后我每次读算法书都强制自己手算至少一个最小样例，翻车次数明显少了。希望这份拆解帮到你，把这份 PDF 真正用成手边的工具，而不是书架上的摆设。
本文还有配套的精品资源，点击获取
