概念 滑動窗口演算法可以用以解決數組/字元串的子元素問題,它可以將嵌套的循環問題,轉換為單循環問題,降低時間複雜度。 示例1 給定一個整數數組,計算長度為 k 的連續子數組的最大總和。輸入:arr [] = {100,200,300,400} k = 2 輸出:700 解釋:300 + 400 = 700 暴力法 我們可以很容易想到暴力法來解決這個問題,使用兩個 for 循環來不斷查找長度為 k 的最大總和。JavaScript 示例代碼 function maxSum(arr, k) { const n = arr.length let maxSum = Number.MIN_SAFE_INTEGER; for (let i = 0; i &< n - k + 1; i++) { let currentSum = 0; for (let j = 0; j &< k; j++) { currentSum = currentSum + arr[i + j]; } maxSum = Math.max(currentSum, maxSum); } return maxSum; } 因為包含兩個 for 循環,它的時間複雜度是 O(k * n)。 滑動窗口演算法 滑動窗口演算法可以將嵌套的循環問題,轉換為單循環問題,降低時間複雜度。根據示例,當 k 等於 2 時,我們維護一個長度為 2 的窗口。 窗口內的值的和保存在一個變數中; 通過不斷的往右滑動來算出當前窗口的值,並與保存的最大值作比較; 當窗口滑動到最右邊時終止滑動; 滑動窗口JavaScript 示例代碼function maxSum(arr, k) { const n = arr.length; if (n &< k) { return -1; } // 計算出第一個窗口的值 let maxSum = 0; for (let i = 0; i &< k; i++) { maxSum += arr[i]; } let sum = maxSum; for (let i = k; i &< n; i++) { // 新窗口的和 = 前一個窗口的和 + 新進入窗口的值 - 移出窗口的值 sum += arr[i] - arr[i - k]; maxSum = Math.max(maxSum, sum); } return maxSum; } 我們在一個循環中計算出了長度為 k 的子數組的最大總和,它的時間複雜度是 O(n)。我們可以使用滑動窗口演算法解決 查找最大/最小k子陣列,XOR,乘積,求和等問題。 示例2 給定一個字元串 S 和一個字元串 T,請在 S 中找出包含 T 所有字母的最小子串。(minimum-window-substring)輸入: S = "ADOBECODEBANC", T = "ABC" 輸出: "BANC" 這個問題讓我們無法按照示例 1 中的方法進行查找,因為它不是給定了窗口大小讓你找對應的值,而是給定了對應的值,讓你找最小的窗口。我們仍然可以使用滑動窗口演算法,只不過需要換一個思路。 既然是找最小的窗口,我們先定義一個最小的窗口,也就是長度為 0 的窗口。 長度為 0 的窗口我們比較一下當前窗口在的位置的字母,是否是 T 中的一個字母。很明顯, A 是 ABC 中的一個字母,也就是 T 所有字母的最小子串 可能包含當前位置的 S 的值。如果包含,我們開始擴大窗口,直到擴大後的窗口能夠包含 T 所有字母。 AD 不能夠包含 T 所有字母 ADOBEC 包含 T 的所有字母 假設題目是 在 S 中找出包含 T 所有字母的第一個子串,我們就已經解決問題了,但是題目是找到最小的子串,就會存在一些問題。 當前窗口內可能包含了一個更小的能滿足題目的窗口 窗口沒有滑動到的位置有可能包含了一個更小的能滿足題目的窗口 為了解決可能出現的問題,當我們找到第一個滿足的窗口後,就從左開始縮小窗口。 如果縮小後的窗口仍滿足包含 T 所有字母的要求,則當前窗口可能是最小能滿足題目的窗口,儲存下來之後,繼續從左開始縮小窗口。 如果縮小後的窗口不能滿足包含 T 所有字母的要求,則縮小窗口停止,從右邊開始擴大窗口。 DOBEC 不包含 T 的所有字母 DOBECODEBA 包含 T 的所有字母不斷重複上面的步驟,直到窗口滑動到最右邊,且找不到合適的窗口為止。最小滿足的窗口就是我們要找的 S 中包含 T 所有字母的最小子串。 BANC 包含 T 的所有字母,且是最小子串JavaScript 示例代碼 /** * @param {string} s * @param {string} t * @return {string} */ var minWindow = function(s, t) { const map = {}; for (let i = 0; i &< t.length; i++) { if (map[t[i]]) { map[t[i]]++; } else { map[t[i]] = 1; } } let left = 0; let right = 0; let count = t.length; let max = Number.MAX_SAFE_INTEGER; let res = s; while (right &< s.length) { if (map[s[right]] &> 0) { count--; } map[s[right]]--; right++; while (count === 0) { if (right - left &< max) { max = right - left; res = s.slice(left, right); } map[s[left]]++; if (map[s[left]] &> 0) { count++; } left++; } } return max === Number.MAX_SAFE_INTEGER ? "" : res; }; 它的時間複雜度是 O(s + t) 示例3 給定一個字元串,請你找出其中不含有重複字元的 最長子串 的長度。(longest-substring-without-repeating-characters)輸入: "abcabcbb" 輸出: 3 解釋: 因為無重複字元的最長子串是 "abc",所以其長度為 3。 和示例 2 相似,我們不斷的擴大/縮小窗口,把無重複字母的窗口大小保存下來,直到窗口滑動結束,就找到了不含有重複字元的 最長子串 的長度。JavaScript 示例代碼/** * @param {string} s * @return {number} */ var lengthOfLongestSubstring = function(s) { const map = {}; let left = 0; let right = 0; let max = 0; while (right &< s.length) { if (!map[s[right]]) { map[s[right]] = 1; right++; } else { while (left &< right) { delete map[s[left]]; if (map[s[left++]] === map[s[right]]) { break; } } } max = Math.max(max, right - left); } return max; }; 時間複雜度是 O(n) 示例4 給定一個字元串 s 和一個非空字元串 p,找到 s 中所有是 p 的字母異位詞的子串,返回這些子串的起始索引。(find-all-anagrams-in-a-string)輸入: s: "cbaebabacd" p: "abc" 輸出: [0, 6] 解釋: 起始索引等於 0 的子串是 "cba", 它是 "abc" 的字母異位詞。 起始索引等於 6 的子串是 "bac", 它是 "abc" 的字母異位詞。 與示例 1 類似,我們維護一個長度為 p 的窗口,然後不斷往右滑動查找當前窗口是否為 p 的字母異位詞。var findAnagrams = function(s, p) { const map = new Array(26).fill(0); for (let i = 0; i &< p.length; i++) { map[p[i].charCodeAt() - 97]++; } const r = []; for (let i = 0, j = 0; i &< s.length; i++) { const c = s[i].charCodeAt() - 97; map[c]--; while (map[c] &< 0) { const c2 = s[j].charCodeAt() - 97; j++; map[c2]++; } if (i - j + 1 === p.length) { r.push(j); } } return r; }; 時間複雜度為 O(s + p) 滑動窗口演算法的應用 TCP 流量控制參考: Window Sliding Technique - GeeksforGeekshttps://www.youtube.com/watch?v=eS6PZLjoaq8t=548ssliding window algorithm 前言科普:什麼是滑動窗口演算法 滑動問題包含一個滑動窗口,它是一個運行在一個大數組上的子列表,該數組是一個底層元素集合。假設有數組 [a b c d e f g h ],一個大小為 3 的 滑動窗口 在其上滑動,則有:[a b c] [b c d] [c d e] [d e f] [e f g] [f g h] 一般情況下就是使用這個窗口在數組的 合法區間 內進行滑動,同時 動態地 記錄一些有用的數據,很多情況下,能夠極大地提高演算法地效率。 1. 滑動窗口最大值 題目來源於 LeetCode 上第 239 號問題:滑動窗口最大值。題目難度為 Hard,目前通過率為 40.5% 。 題目描述 給定一個數組 nums,有一個大小為 k 的滑動窗口從數組的最左側移動到數組的最右側。你只可以看到在滑動窗口 k 內的數字。滑動窗口每次只向右移動一位。返回滑動窗口最大值。示例: 輸入: nums = [1,3,-1,-3,5,3,6,7], 和 k = 3 輸出: [3,3,5,5,6,7] 解釋: ? 滑動窗口的位置 最大值 --------------- ----- [1 3 -1] -3 5 3 6 7 3 1 [3 -1 -3] 5 3 6 7 3 1 3 [-1 -3 5] 3 6 7 5 1 3 -1 [-3 5 3] 6 7 5 1 3 -1 -3 [5 3 6] 7 6 1 3 -1 -3 5 [3 6 7] 7 題目解析 利用一個 雙端隊列,在隊列中存儲元素在數組中的位置, 並且維持隊列的嚴格遞減,,也就說維持隊首元素是 最大的 ,當遍歷到一個新元素時, 如果隊列里有比當前元素小的,就將其移除隊列,以保證隊列的遞減。當隊列元素位置之差大於 k,就將隊首元素移除。 補充:什麼是雙端隊列(Dqueue) Deque 的含義是 「double ended queue」,即雙端隊列,它具有隊列和棧的性質的數據結構。顧名思義,它是一種前端與後端都支持插入和刪除操作的隊列。Deque 繼承自 Queue(隊列),它的直接實現有 ArrayDeque、LinkedList 等。 動畫描述 代碼實現 class Solution { public int[] maxSlidingWindow(int[] nums, int k) { //有點坑,題目里都說了數組不為空,且 k &> 0。但是看了一下,測試用例裡面還是有nums = [], k = 0,所以只好加上這個判斷 if (nums == null || nums.length &< k || k == 0) return new int[0]; int[] res = new int[nums.length - k + 1]; //雙端隊列 Deque& deque = new LinkedList&<&>(); for (int i = 0; i &< nums.length; i++) { //在尾部添加元素,並保證左邊元素都比尾部大 while (!deque.isEmpty() nums[deque.getLast()] &< nums[i]) { deque.removeLast(); } deque.addLast(i); //在頭部移除元素 if (deque.getFirst() == i - k) { deque.removeFirst(); } //輸出結果 if (i &>= k - 1) { res[i - k + 1] = nums[deque.getFirst()]; } } return res; } } 2. 無重複字元的最長子串 題目來源於 LeetCode 上第 3 號問題:無重複字元的最長子串。題目難度為 Medium,目前通過率為 29.0% 。 題目描述 給定一個字元串,請你找出其中不含有重複字元的 最長子串 的長度。示例 1:輸入: "abcabcbb" 輸出: 3 解釋: 因為無重複字元的最長子串是 "abc",所以其長度為 3。 題目解析 建立一個256位大小的整型數組 freg ,用來建立字元和其出現位置之間的映射。維護一個滑動窗口,窗口內的都是沒有重複的字元,去儘可能的擴大窗口的大小,窗口不停的向右滑動。 (1)如果當前遍歷到的字元從未出現過,那麼直接擴大右邊界; (2)如果當前遍歷到的字元出現過,則縮小窗口(左邊索引向右移動),然後繼續觀察當前遍歷到的字元; (3)重複(1)(2),直到左邊索引無法再移動; (4)維護一個結果res,每次用出現過的窗口大小來更新結果 res,最後返回 res 獲取結果。 動畫描述 代碼實現 // 滑動窗口 // 時間複雜度: O(len(s)) // 空間複雜度: O(len(charset)) class Solution { public: int lengthOfLongestSubstring(string s) { int freq[256] = {0}; int l = 0, r = -1; //滑動窗口為s[l...r] int res = 0; // 整個循環從 l == 0; r == -1 這個空窗口開始 // 到l == s.size(); r == s.size()-1 這個空窗口截止 // 在每次循環里逐漸改變窗口, 維護freq, 並記錄當前窗口中是否找到了一個新的最優值 while(l &< s.size()){ if(r + 1 &< s.size() freq[s[r+1]] == 0){ r++; freq[s[r]]++; }else { //r已經到頭 || freq[s[r+1]] == 1 freq[s[l]]--; l++; } res = max(res, r-l+1); } return res; } }; 3. 存在重複元素 II 題目來源於 LeetCode 上第 219 號問題:存在重複元素 II。題目難度為 Easy,目前通過率為 33.9% 。 題目描述 給定一個整數數組和一個整數 k,判斷數組中是否存在兩個不同的索引 i 和 j,使得 nums [i] = nums [j],並且 i 和 j 的差的絕對值最大為 k。 題目解析 使用用滑動窗口與查找表來解決。 設置查找表record,用來保存每次遍歷時插入的元素,record的最大長度為k 遍曆數組nums,每次遍歷的時候在record查找是否存在相同的元素,如果存在則返回true,遍歷結束 如果此次遍歷在record未查找到,則將該元素插入到record中,而後查看record的長度是否為k + 1 如果此時record的長度是否為k + 1,則刪減record的元素,該元素的值為nums[i - k] 如果遍歷完整個數組nums未查找到則返回false動畫描述 代碼實現// 時間複雜度: O(n)// 空間複雜度: O(k)class Solution {public: bool containsNearbyDuplicate(vector& nums, int k) { if(nums.size() &<= 1) return false; if(k &<= 0) return false; unordered_set& record; for(int i = 0 ; i &< nums.size() ; i ++){ if(record.find(nums[i]) != record.end()){ return true; } record.insert(nums[i]); // 保持record中最多有k個元素 // 因為在下一次循環中會添加一個新元素,使得總共考慮k+1個元素 if(record.size() == k + 1){ record.erase(nums[i - k]); } } return false; }}; 4. 長度最小的子數組 題目來源於 LeetCode 上第 209 號問題:長度最小的子數組。題目難度為 Medium,目前通過率為 37.7% 。 題目描述 給定一個含有 n 個正整數的數組和一個正整數 s ,找出該數組中滿足其和 ≥ s 的長度最小的連續子數組。如果不存在符合條件的連續子數組,返回 0。示例: 輸入: s = 7, nums = [2,3,1,2,4,3] 輸出: 2 解釋: 子數組 [4,3] 是該條件下的長度最小的連續子數組。 // 滑動窗口的思路 // 時間複雜度: O(n) // 空間複雜度: O(1) class Solution { public int minSubArrayLen(int s, int[] nums) { int l= 0,r = -1; // nums[l...r]為我們的滑動窗口 int sum = 0; int result = nums.length + 1; while (l &< nums.length){ // 窗口的左邊界在數組範圍內,則循環繼續 ? if( r+1 &= s sum -= nums[l]; l++; } ? if(sum &>= s){ result = (r-l+1) &< result ? (r-l+1) : result ; } } if(result==nums.length+1){ return 0; } return result; } } 4. 長度最小的子數組 題目來源於 LeetCode 上第 209 號問題:長度最小的子數組。題目難度為 Medium,目前通過率為 37.7% 。 題目描述 給定一個含有 n 個正整數的數組和一個正整數 s ,找出該數組中滿足其和 ≥ s 的長度最小的連續子數組。如果不存在符合條件的連續子數組,返回 0。示例: 輸入: s = 7, nums = [2,3,1,2,4,3] 輸出: 2 解釋: 子數組 [4,3] 是該條件下的長度最小的連續子數組。 題目解析 定義兩個指針 left 和 right ,分別記錄子數組的左右的邊界位置。 (1)讓 right 向右移,直到子數組和大於等於給定值或者 right 達到數組末尾; (2)更新最短距離,將 left 像右移一位, sum 減去移去的值; (3)重複(1)(2)步驟,直到 right 到達末尾,且 left 到達臨界位置 動畫描述 設置滑動窗口的長度為 0 ,位於數軸的最左端。 1 .滑動窗口右端 R 開始移動,直到區間滿足給定的條件,也就是和大於 7 ,此時停止於第三個元素 2,當前的最優長度為 4 2. 滑動窗口左端 L 開始移動,縮小滑動窗口的大小,停止於第一個元素 3,此時區間和為 6,使得區間和不滿足給定的條件(此時不大於 7) 3. 滑動窗口右端 R 繼續移動,停止於第四個元素 4,此時和位 10 ,但最優長度仍然為 4 代碼實現 // 滑動窗口的思路 // 時間複雜度: O(n) // 空間複雜度: O(1) class Solution { public int minSubArrayLen(int s, int[] nums) { int l= 0,r = -1; // nums[l...r]為我們的滑動窗口 int sum = 0; int result = nums.length + 1; while (l &< nums.length){ // 窗口的左邊界在數組範圍內,則循環繼續 ? if( r+1 &= s sum -= nums[l]; l++; } ? if(sum &>= s){ result = (r-l+1) &< result ? (r-l+1) : result ; } } if(result==nums.length+1){ return 0; } return result; } } 我的專欄:和程序員小吳一起學演算法?zhuanlan.zhihu.com?? 看完三件事:如果你覺得這篇內容對你挺有啟發,我想邀請你幫我三個忙: 點贊,讓更多的人也能看到這篇內容(收藏不點贊,都是耍流氓 -_-) 關注我和專欄,讓我們成為長期關係 關注公眾號「五分鐘學演算法」,第一時間閱讀最新的演算法文章,公眾號後台回復 1024 送你 50 本 演算法編程書籍。 計算機網路中的滑動窗口請參閱相關書籍。滑動窗口本質上來源於單調性,一般可以理解為,隨著左端點位置的增加,其最優決策的右端點位置單調不減。事實上是利用決策單調性來實現複雜度優化。具體例題可以參見 @王天笑 回答中的第二三四題。 流量控制比如TCP協議中還有就是為服務的限流,滑動窗口演算法功能上相當於令牌桶演算法 STFT 編譯器中窺孔優化。 推薦閱讀:
滑動窗口演算法可以用以解決數組/字元串的子元素問題,它可以將嵌套的循環問題,轉換為單循環問題,降低時間複雜度。
給定一個整數數組,計算長度為 k 的連續子數組的最大總和。
輸入:arr [] = {100,200,300,400} k = 2
輸出:700
解釋:300 + 400 = 700
我們可以很容易想到暴力法來解決這個問題,使用兩個 for 循環來不斷查找長度為 k 的最大總和。
JavaScript 示例代碼
function maxSum(arr, k) { const n = arr.length let maxSum = Number.MIN_SAFE_INTEGER;
for (let i = 0; i &< n - k + 1; i++) { let currentSum = 0; for (let j = 0; j &< k; j++) { currentSum = currentSum + arr[i + j]; } maxSum = Math.max(currentSum, maxSum); } return maxSum; }
因為包含兩個 for 循環,它的時間複雜度是 O(k * n)。
滑動窗口演算法可以將嵌套的循環問題,轉換為單循環問題,降低時間複雜度。
根據示例,當 k 等於 2 時,我們維護一個長度為 2 的窗口。
function maxSum(arr, k) { const n = arr.length; if (n &< k) { return -1; } // 計算出第一個窗口的值 let maxSum = 0; for (let i = 0; i &< k; i++) { maxSum += arr[i]; } let sum = maxSum; for (let i = k; i &< n; i++) { // 新窗口的和 = 前一個窗口的和 + 新進入窗口的值 - 移出窗口的值 sum += arr[i] - arr[i - k]; maxSum = Math.max(maxSum, sum); } return maxSum; }
我們在一個循環中計算出了長度為 k 的子數組的最大總和,它的時間複雜度是 O(n)。我們可以使用滑動窗口演算法解決 查找最大/最小k子陣列,XOR,乘積,求和等問題。
給定一個字元串 S 和一個字元串 T,請在 S 中找出包含 T 所有字母的最小子串。(minimum-window-substring)
輸入: S = "ADOBECODEBANC", T = "ABC" 輸出: "BANC"
這個問題讓我們無法按照示例 1 中的方法進行查找,因為它不是給定了窗口大小讓你找對應的值,而是給定了對應的值,讓你找最小的窗口。
我們仍然可以使用滑動窗口演算法,只不過需要換一個思路。
既然是找最小的窗口,我們先定義一個最小的窗口,也就是長度為 0 的窗口。
我們比較一下當前窗口在的位置的字母,是否是 T 中的一個字母。
很明顯, A 是 ABC 中的一個字母,也就是 T 所有字母的最小子串 可能包含當前位置的 S 的值。
如果包含,我們開始擴大窗口,直到擴大後的窗口能夠包含 T 所有字母。
假設題目是 在 S 中找出包含 T 所有字母的第一個子串,我們就已經解決問題了,但是題目是找到最小的子串,就會存在一些問題。
為了解決可能出現的問題,當我們找到第一個滿足的窗口後,就從左開始縮小窗口。
不斷重複上面的步驟,直到窗口滑動到最右邊,且找不到合適的窗口為止。最小滿足的窗口就是我們要找的 S 中包含 T 所有字母的最小子串。
/** * @param {string} s * @param {string} t * @return {string} */ var minWindow = function(s, t) { const map = {}; for (let i = 0; i &< t.length; i++) { if (map[t[i]]) { map[t[i]]++; } else { map[t[i]] = 1; } } let left = 0; let right = 0; let count = t.length; let max = Number.MAX_SAFE_INTEGER; let res = s; while (right &< s.length) { if (map[s[right]] &> 0) { count--; } map[s[right]]--; right++;
while (count === 0) { if (right - left &< max) { max = right - left; res = s.slice(left, right); } map[s[left]]++; if (map[s[left]] &> 0) { count++; } left++; } } return max === Number.MAX_SAFE_INTEGER ? "" : res; };
它的時間複雜度是 O(s + t)
給定一個字元串,請你找出其中不含有重複字元的 最長子串 的長度。(longest-substring-without-repeating-characters)
輸入: "abcabcbb" 輸出: 3 解釋: 因為無重複字元的最長子串是 "abc",所以其長度為 3。
和示例 2 相似,我們不斷的擴大/縮小窗口,把無重複字母的窗口大小保存下來,直到窗口滑動結束,就找到了不含有重複字元的 最長子串 的長度。
/** * @param {string} s * @return {number} */ var lengthOfLongestSubstring = function(s) { const map = {};
let left = 0; let right = 0;
let max = 0; while (right &< s.length) { if (!map[s[right]]) { map[s[right]] = 1; right++; } else { while (left &< right) { delete map[s[left]]; if (map[s[left++]] === map[s[right]]) { break; } } } max = Math.max(max, right - left); } return max; };
時間複雜度是 O(n)
給定一個字元串 s 和一個非空字元串 p,找到 s 中所有是 p 的字母異位詞的子串,返回這些子串的起始索引。(find-all-anagrams-in-a-string)
輸入: s: "cbaebabacd" p: "abc"
輸出: [0, 6]
解釋: 起始索引等於 0 的子串是 "cba", 它是 "abc" 的字母異位詞。 起始索引等於 6 的子串是 "bac", 它是 "abc" 的字母異位詞。
與示例 1 類似,我們維護一個長度為 p 的窗口,然後不斷往右滑動查找當前窗口是否為 p 的字母異位詞。
var findAnagrams = function(s, p) { const map = new Array(26).fill(0);
for (let i = 0; i &< p.length; i++) { map[p[i].charCodeAt() - 97]++; } const r = []; for (let i = 0, j = 0; i &< s.length; i++) { const c = s[i].charCodeAt() - 97; map[c]--; while (map[c] &< 0) { const c2 = s[j].charCodeAt() - 97; j++; map[c2]++; } if (i - j + 1 === p.length) { r.push(j); } } return r; };
時間複雜度為 O(s + p)
TCP 流量控制
參考:
Window Sliding Technique - GeeksforGeeks
https://www.youtube.com/watch?v=eS6PZLjoaq8t=548s
sliding window algorithm
滑動問題包含一個滑動窗口,它是一個運行在一個大數組上的子列表,該數組是一個底層元素集合。
假設有數組 [a b c d e f g h ],一個大小為 3 的 滑動窗口 在其上滑動,則有:
[a b c] [b c d] [c d e] [d e f] [e f g] [f g h]
一般情況下就是使用這個窗口在數組的 合法區間 內進行滑動,同時 動態地 記錄一些有用的數據,很多情況下,能夠極大地提高演算法地效率。
題目來源於 LeetCode 上第 239 號問題:滑動窗口最大值。題目難度為 Hard,目前通過率為 40.5% 。
給定一個數組 nums,有一個大小為 k 的滑動窗口從數組的最左側移動到數組的最右側。你只可以看到在滑動窗口 k 內的數字。滑動窗口每次只向右移動一位。
返回滑動窗口最大值。
示例:
輸入: nums = [1,3,-1,-3,5,3,6,7], 和 k = 3 輸出: [3,3,5,5,6,7] 解釋: ? 滑動窗口的位置 最大值 --------------- ----- [1 3 -1] -3 5 3 6 7 3 1 [3 -1 -3] 5 3 6 7 3 1 3 [-1 -3 5] 3 6 7 5 1 3 -1 [-3 5 3] 6 7 5 1 3 -1 -3 [5 3 6] 7 6 1 3 -1 -3 5 [3 6 7] 7
利用一個 雙端隊列,在隊列中存儲元素在數組中的位置, 並且維持隊列的嚴格遞減,,也就說維持隊首元素是 最大的 ,當遍歷到一個新元素時, 如果隊列里有比當前元素小的,就將其移除隊列,以保證隊列的遞減。當隊列元素位置之差大於 k,就將隊首元素移除。
Deque 的含義是 「double ended queue」,即雙端隊列,它具有隊列和棧的性質的數據結構。顧名思義,它是一種前端與後端都支持插入和刪除操作的隊列。
Deque 繼承自 Queue(隊列),它的直接實現有 ArrayDeque、LinkedList 等。
class Solution { public int[] maxSlidingWindow(int[] nums, int k) { //有點坑,題目里都說了數組不為空,且 k &> 0。但是看了一下,測試用例裡面還是有nums = [], k = 0,所以只好加上這個判斷 if (nums == null || nums.length &< k || k == 0) return new int[0]; int[] res = new int[nums.length - k + 1]; //雙端隊列 Deque& deque = new LinkedList&<&>(); for (int i = 0; i &< nums.length; i++) { //在尾部添加元素,並保證左邊元素都比尾部大 while (!deque.isEmpty() nums[deque.getLast()] &< nums[i]) { deque.removeLast(); } deque.addLast(i); //在頭部移除元素 if (deque.getFirst() == i - k) { deque.removeFirst(); } //輸出結果 if (i &>= k - 1) { res[i - k + 1] = nums[deque.getFirst()]; } } return res; } }
題目來源於 LeetCode 上第 3 號問題:無重複字元的最長子串。題目難度為 Medium,目前通過率為 29.0% 。
給定一個字元串,請你找出其中不含有重複字元的 最長子串 的長度。
示例 1:
建立一個256位大小的整型數組 freg ,用來建立字元和其出現位置之間的映射。
維護一個滑動窗口,窗口內的都是沒有重複的字元,去儘可能的擴大窗口的大小,窗口不停的向右滑動。
// 滑動窗口 // 時間複雜度: O(len(s)) // 空間複雜度: O(len(charset)) class Solution { public: int lengthOfLongestSubstring(string s) { int freq[256] = {0}; int l = 0, r = -1; //滑動窗口為s[l...r] int res = 0; // 整個循環從 l == 0; r == -1 這個空窗口開始 // 到l == s.size(); r == s.size()-1 這個空窗口截止 // 在每次循環里逐漸改變窗口, 維護freq, 並記錄當前窗口中是否找到了一個新的最優值 while(l &< s.size()){ if(r + 1 &< s.size() freq[s[r+1]] == 0){ r++; freq[s[r]]++; }else { //r已經到頭 || freq[s[r+1]] == 1 freq[s[l]]--; l++; } res = max(res, r-l+1); } return res; } };
題目來源於 LeetCode 上第 219 號問題:存在重複元素 II。題目難度為 Easy,目前通過率為 33.9% 。
給定一個整數數組和一個整數 k,判斷數組中是否存在兩個不同的索引 i 和 j,使得 nums [i] = nums [j],並且 i 和 j 的差的絕對值最大為 k。
使用用滑動窗口與查找表來解決。
record
k
nums
true
k + 1
nums[i - k]
false
代碼實現
if(record.find(nums[i]) != record.end()){
題目來源於 LeetCode 上第 209 號問題:長度最小的子數組。題目難度為 Medium,目前通過率為 37.7% 。
給定一個含有 n 個正整數的數組和一個正整數 s ,找出該數組中滿足其和 ≥ s 的長度最小的連續子數組。如果不存在符合條件的連續子數組,返回 0。
輸入: s = 7, nums = [2,3,1,2,4,3] 輸出: 2 解釋: 子數組 [4,3] 是該條件下的長度最小的連續子數組。 // 滑動窗口的思路 // 時間複雜度: O(n) // 空間複雜度: O(1) class Solution { public int minSubArrayLen(int s, int[] nums) { int l= 0,r = -1; // nums[l...r]為我們的滑動窗口 int sum = 0; int result = nums.length + 1; while (l &< nums.length){ // 窗口的左邊界在數組範圍內,則循環繼續 ? if( r+1 &= s sum -= nums[l]; l++; } ? if(sum &>= s){ result = (r-l+1) &< result ? (r-l+1) : result ; } } if(result==nums.length+1){ return 0; } return result; } }
輸入: s = 7, nums = [2,3,1,2,4,3] 輸出: 2 解釋: 子數組 [4,3] 是該條件下的長度最小的連續子數組。
定義兩個指針 left 和 right ,分別記錄子數組的左右的邊界位置。
設置滑動窗口的長度為 0 ,位於數軸的最左端。
// 滑動窗口的思路 // 時間複雜度: O(n) // 空間複雜度: O(1) class Solution { public int minSubArrayLen(int s, int[] nums) { int l= 0,r = -1; // nums[l...r]為我們的滑動窗口 int sum = 0; int result = nums.length + 1; while (l &< nums.length){ // 窗口的左邊界在數組範圍內,則循環繼續 ? if( r+1 &= s sum -= nums[l]; l++; } ? if(sum &>= s){ result = (r-l+1) &< result ? (r-l+1) : result ; } } if(result==nums.length+1){ return 0; } return result; } }
我的專欄:
?? 看完三件事:
如果你覺得這篇內容對你挺有啟發,我想邀請你幫我三個忙:
計算機網路中的滑動窗口請參閱相關書籍。
滑動窗口本質上來源於單調性,一般可以理解為,隨著左端點位置的增加,其最優決策的右端點位置單調不減。
事實上是利用決策單調性來實現複雜度優化。
具體例題可以參見 @王天笑 回答中的第二三四題。
流量控制
比如TCP協議中
還有就是為服務的限流,滑動窗口演算法功能上相當於令牌桶演算法
STFT
編譯器中窺孔優化。
TAG:知識庫 | 演算法 | 計算機技術 | 十萬個是什麼 | 滑動窗口演算法 |