【优选算法 | 滑动窗口】滑动窗口算法：高效处理子数组和子串问题

算法	相关知识点	可以通过点击	以下链接进行学习	一起加油！
双指针

在本篇文章中，我们将深入剖析滑动窗口算法的核心原理。从基础概念到实战应用，带你了解如何利用滑动窗口高效解决连续子数组和子串等问题。无论你是算法入门的新手，还是希望提升代码效率的高手，滑动窗口都将成为你优化算法的重要武器！

🌈个人主页：是店小二呀
🌈C/C++专栏：C语言\ C++
🌈初/高阶数据结构专栏： 初阶数据结构\ 高阶数据结构
🌈Linux专栏： Linux
🌈算法专栏：算法
🌈Mysql专栏:Mysql

🌈你可知:无人扶我青云志 我自踏雪至山巅

209.长度最小的子数组

【题目】：209.长度最小的子数组

输入：target = 7, nums = [2,3,1,2,4,3]
输出：2
解释：子数组 [4,3] 是该条件下的长度最小的子数组

【算法思路】

首先，我们需要明确，子数组和子字符串都指的是数组中一段连续的部分，而子序列则不具有连续性。

1.解法一:暴力枚举

通过两层循环枚举所有可能的情况，再通过一层循环求和进行判断，初步的时间复杂度为O(N^3)。

【优化方案】

1.为了优化，可以引入一个变量 sum 来记录当前的和，从而将时间复杂度优化到O(N^2)。

2.在暴力解法的思路大致明确后，不要急于编写代码。可以先通过模拟过程发现规律，然后逐步进行优化。

第一个优化点：利用加法的性质，加入一个正数总是会增大结果。题目要求的是最小的序列，当sum >= target时，right继续向右移动没有意义，这部分属于无效枚举。

第二个优化点：每当统计出满足条件的子序列后，left++后，right不需要回到left位置。根据加法性质，减少范围时，总和必然会减少，因此无需回到left，这可以进一步优化算法。

2.解法二:同向双指针

同向双指针实际上就是滑动窗口，通过两个指针维护一个区间的数值，类似一个窗口。当我们利用单调性时，可以有效地使用滑动窗口技术。

从[判断 -> 更新结果 -> 出窗口 -> 判断]，形成一个闭环，因此需要使用循环语句。同时，更新结果的位置是根据题目需求确定的，并非判断完后立刻更新。

【代码实现】

class Solution 
{
public:int minSubArrayLen(int target, vector<int>& nums){int n =nums.size();int len =INT_MAX;int sum = 0;//进窗口for(int left = 0, right =0; right < n; right++){//插入数据sum += nums[right];//判断while(sum >= target ){//更新len = min(len, right - left + 1);sum -= nums[left++];}}return len == INT_MAX ? 0 : len;}
};

【个人思考】

到 sum >= target。没有必要继续right++，而是改变left位置不断进行判断，这里在双指针算法篇章有所说明，用于规避没有必要的枚举行为。

滑动窗口的正确性:利用单调性，规避了很多没有必要的枚举行为。

虽然代码使用两层循环，但是时间复杂度优化为O(N)，时间复杂度主要是看思想。这里就left和right滑动。N + N = 2N ~ N .

---

3.无重复字符的最长子串

【题目】：3.无重复字符的最长子串

输入: s = "abcabcbb"
输出: 3 
解释: 因为无重复字符的最长子串是 "abc"，所以其长度为 3。输入: s = "bbbbb"
输出: 1
解释: 因为无重复字符的最长子串是 "b"，所以其长度为 1。  

【算法思路】

首先流程还是配合示例分析题目，尝试得到暴力解法的逻辑(这里一般为暴力枚举)，模拟实现过程，得到规律，在此规律上进行优化，得知采用某一种算法

1.解法一:暴力枚举配合哈希表

暴力枚举和哈希表的时间复杂度：O(N²)

我们根据题目需求模拟实现流程，取一部分区间进行观察（pww）。从p出发向右枚举可能的情况，直到遇到pw时结束，然后将起点右移，而不是继续枚举。由于我们从全知视角进行观察，继续枚举pww不符合题目要求，因此选择停止。为了判断字符是否重复出现，我们使用哈希表。

2.解法二：滑动窗口

比起如何实现逻辑，更重要的是如何知道为什么需要使用滑动窗口思想，不然就是巧妇难为无米之炊。

从图中可以看到，right指向元素a，导致哈希表中下标为a的元素值为2，出现了重复情况。此时需要移动left指针，重新计算子串长度，但left应该移动到哪里呢？

很明显，right停下是因为遇到了重复字符。如果没有重复字符，right就可以继续向右移动。因此，left需要跳过重复字符，之后right才能继续向右扩展，重新计算长度。

问题在于，left应该跳到什么位置？由于right停下是因为遇到重复字符，left应该跳过重复字符，否则无论left移动到哪里，在[left, right]区间内，right都不会再前进，因为该区间内仍然有重复字符。完成这一步后，right不需要回到left位置，继续向右移动即可。

判断条件就是hash是否出现重复字符，如果出现重复需要不断移除字符次数和移动left位置，直到left达到重复字符的下一个位置。

【代码实现】

class Solution 
{public:int lengthOfLongestSubstring(string s) {int hash[128]={0};int n = s.length();int ret = 0;for(int left = 0, right = 0; right < n; right++){hash[s[right]]++;while(hash[s[right]] > 1)hash[s[left++]]--;ret = max(ret, right - left + 1);}return ret;}
};

---

1004.最大连续1的个数 |||

【题目】： 1004. 最大连续1的个数 III

输入：nums = [1,1,1,0,0,0,1,1,1,1,0], K = 2
输出：6
解释：[1,1,1,0,0,1,1,1,1,1,1]
粗体数字从 0 翻转到 1，最长的子数组长度为 6。

【算法思路】

首先，通过示例分析题目的含义。简单来说，这道题目要求找到最长的子数组，通常我们会使用滑动窗口的方法。但为了更好地理解，我们可以先从暴力解法入手，通过模拟实现过程发现其中的规律，然后再对其进行优化，形成更高效的算法思路。

通过分析，'最多翻转k个零’的意思是对于数值为零的部分，我们最多可以翻转[0, k]个零，而目标是将所有零都翻转成一的状态。同时，我们需要返回连续1的最大个数，即找到最长的连续1子数组。从红色部分可以看到，当零的个数超过k时，翻转就会停止。这道题与上一道题非常相似，因此我们可以引入一个变量count来统计当前子数组中零的个数，以便满足题目的要求。

1.解法一：暴力枚举 + zero计数器

如果使用暴力枚举法来处理所有情况，针对每个零进行翻转操作，最后还需要再将其翻转回去，这种做法既繁琐又容易出错。此时，我们应该思考，既然翻转不能超过k个零，是否真的需要执行复杂的翻转操作呢？

可以将问题转化为：寻找一个最长的子数组，其中零的个数不超过k个。

2.解法二：滑动窗口

当我们得到了暴力解法的逻辑，现在需要模拟实现发现规律，进行优化。

首先，当right指针停下时，left需要移动到下一个1的位置，这样right就无法继续移动了。这种情况的发生是由于count > 2，因此需要调整left指针的位置，直到count <= 2为止。通过这种方式，能够确保right继续向前推进，同时维护零的个数不超过2。

其次，当left移动到合适的位置后，right不需要重新回到left的位置重新移动，因为[left, right]已经是一个合法的区间。

【代码实现】

class Solution {public:int longestOnes(vector<int>& nums, int k) {int n = nums.size();int count = 0;int len = 0;for(int left = 0, right = 0; right < n; right++){if(nums[right] == 0) count++;while(count > k){if(nums[left++] == 0) count--;}len =  max(len, right - left + 1);}return len;}
};

---

1658.将 x 减到0的最小操作数

【题目】：1658. 将 x 减到 0 的最小操作数

输入：nums = [1,1,4,2,3], x = 5
输出：2
解释：最佳解决方案是移除后两个元素，将 x 减到 0 

【算法思路】

【难点分析】

在这个问题中，我们很难直接控制需要移除的数组nums最左边或最右边的元素数量。

为了解决这个问题，可以通过两个指针来控制左右两边的情况。例如，我们可以固定左边的数据，让右边的数据向右移动，并且逐步减去相应的数字。根据不同的情况进行处理，但不同的情况非常多，操作复杂且效率不高。

【正难则反】

考虑到题目提示中提到最小操作数与长度有关，可以尝试使用滑动窗口的思想。

实际上，我们可以将问题转化为：找出一个最长的子数组，其元素和正好等于 sum

跟第一道题是类似的，我就不细说了，主要注意的是最后是求最小长度，需要数组总长度 - 中间部分最长的长度。

【代码实现】

class Solution {public:int minOperations(vector<int>& nums, int x){int len = nums.size();int sum = 0;for(int a : nums) sum += a;int target = sum - x; int ret = -1;if(target < 0) return -1;for(int left = 0, right = 0, tmp = 0; right < len; right++){tmp += nums[right];//进窗口while(tmp > target){tmp -= nums[left++];}if(target == tmp) ret = max(ret, right - left + 1);}if(ret == -1) return ret;else return len - ret;}

---

904.水果成篮

【题目】：904. 水果成篮

输入：fruits = [0,1,2,2]
输出：3
解释：可以采摘 [1,2,2] 这三棵树。
如果从第一棵树开始采摘，则只能采摘 [0,1] 这两棵树。

【算法思路】

这道题目较长，读完后可以总结为：找出一个最长的子数组，且该子数组中不超过两种类型的水果。题目要求返回可以收集的水果的最大数量。一般情况下，可以考虑使用滑动窗口算法来解决，但并非所有情况都适用，因此仍然需要通过暴力解法来找到最优的解决方案。

1.解法一：暴力枚举 + 哈希表

根据题目要求，当遇到不同类型的水果需要停下来，但是我们这里是通过肉眼很容易观察到，对此我们需要一个哈希表hash<int, int>来统计次数和类型。

2.解法二：滑动窗口

在暴力枚举过程中，left不断向右移动来更新起点，等待枚举操作，而right则从left的位置开始向右移动。但当right停下时，原因是水果种类超过了2种。这时，right如果重新回到left位置，水果种类不会变得更多，因此不需要再回到left位置。

当水果种类超过2时，left需要向右移动，同时哈希表也需要同步更新，删除该水果的出现次数。当某种水果的出现次数为零时，应该从哈希表中删除该水果种类（这需要判断该水果的出现次数是否为零，才能决定是否删除）。问题的关键在于如何处理这种水果种类，并且它在循环中的作用是什么。

在这里，我们不使用hash容器，因为数据范围是有限的。通过使用一个定长数组来代替哈希表，可以提高效率。

【代码实现】

class Solution {public:int totalFruit(vector<int>& f){int n = f.size();int hash[100001] = {0};int len = 0, kinds = 0;for(int left = 0, right = 0; right < n; right++){if(hash[f[right]] == 0) kinds++;hash[f[right]]++;while(kinds > 2){hash[f[left]]--;if(hash[f[left]] == 0) kinds--;left++;}len = max(len, right - left + 1);}if(kinds == 1) return n;else return len;}  
};

---

438. 找到字符串中所有字母异位词

【题目】：438. 找到字符串中所有字母异位词

解法一：暴力解法 + 哈希表

由题意可得，字母顺序不影响结果，那么可以将两边字符排序，再通过双指针遍历判断下两个字符串是否相等，但是这样子时间复杂度:O(nlogn + n)。

既然不考虑顺序，而在乎出现次数，可以借助哈希表辅助。

【题目】：

解法二：滑动窗口 + 哈希表

由于字符串 p 的异位词长度与 p 相同，我们可以利用滑动窗口来优化判断过程。在字符串 s 中，我们维护一个长度与 p 相同的滑动窗口，并在滑动过程中追踪窗口中每个字符的出现频率。

具体步骤如下：

• 使用两个长度为 26 的数组来模拟哈希表：一个记录窗口中字符的频率，另一个记录字符串 p 中字符的频率。
• 每当窗口滑动时，更新这两个数组：移除窗口前一个字符，加入新的字符。
• 如果两个数组中的字符频率相同，则说明当前窗口中的子串是字符串 p 的异位词。

【Cheek 机制优化】

在使用滑动窗口判断异位词时，通过指针遍历哈希表进行比较，每次最多比较 26 次（因为只有 26 个字母）。

但为了进一步优化，我们可以引入一个 count 变量，专门用来统计窗口中“有效字符”的数量。当窗口中的字符频率与目标字符串 p 的频率完全一致时，count 会反映出当前窗口是一个异位词。

• 【进窗口】:if(++hash2[in - 'a'] <= hash1[in - 'a']) count++;
• 【出窗口】：if(hash2[out - 'a']-- <= hash1[out - 'a']) count--;

class Solution {
public:vector<int> findAnagrams(string s, string p) {vector<int> ret;int hash1[26] = {0};for(auto ch : p) hash1[ch - 'a']++;int hash2[26] = {0};int m = p.length();int count = 0;for(int left = 0, right = 0; right < s.length(); right++){char in = s[right];if(++hash2[in - 'a'] <= hash1[in - 'a']) count++;if(right - left + 1 > m){char out = s[left++];if(hash2[out - 'a']-- <= hash1[out - 'a']) count--;}if(m == count) ret.push_back(left);} return ret;}
};

---

30. 串联所有单词的子串

【题目】：30. 串联所有单词的子串

输入：s = "barfoothefoobarman", words = ["foo","bar"]
输出：[0,9]
解释：因为 words.length == 2 同时 words[i].length == 3，连接的子字符串的长度必须为 6。
子串 "barfoo" 开始位置是 0。它是 words 中以 ["bar","foo"] 顺序排列的连接。
子串 "foobar" 开始位置是 9。它是 words 中以 ["foo","bar"] 顺序排列的连接。
输出顺序无关紧要。返回 [9,0] 也是可以的。

【算法思路】

1.解法一：暴力解法 + 哈希表

如果将每个单词看作由字母构成的字符串，那么问题就变成了「找到字符串中所有字母的异位词」。实际上，这与之前处理字符的异位词问题类似，只是这次我们处理的对象是单词而不是单个字符。

2.解法二：滑动窗口 + 哈希表

【细节问题】

通过图示划分，从不同单词位置为起点，会划分长度同为len的不同组合。所以我需要外嵌for循环为滑动窗口的次数，次数取决于单词长度。

移动的步长是单词的长度，其中我们以count变量统计"有效字符串"的长度，这里同样需要借助哈希表。其中在实际使用哈希表时，我们并不需要过多担心哈希碰撞或哈希算法的内部实现，因为它们是由库的实现提供的，已经经过优化和测试。

在模拟过程中，right 指针会移动 len 的位置，因此我们需要判断条件为 right + len <= s.size()，以确保窗口不会超出字符串 s 的边界

【代码实现】

class Solution {
public:vector<int> findSubstring(string s, vector<string>& words){vector<int> v;unordered_map<string,int> hash1;for(auto& str : words) hash1[str]++;int len = words[0].size(),m = words.size();//进行len次滑动窗口for(int i = 0; i < len; i++){unordered_map<string,int> hash2;for(int left = i, right = i,count = 0; right + len <= s.size(); right += len){//进窗口string in = s.substr(right,len);hash2[in]++;if(hash1[in] && hash2[in] <= hash1[in]) count++;if(right - left + 1 > len * m){//出窗口string out = s.substr(left,len);if(hash1[out] && hash2[out]-- <= hash1[out]) count--;left += len;}if(count == m) v.push_back(left);}}return v;}
};

【语法优化】:如果s不存在p中单词，直接短路。

---

76.最小覆盖子串

【题目】：76. 最小覆盖子串

【算法思路】

1.解法一：暴力枚举 + 哈希表

通过暴力解法绘制抽象图可以分析出，right 不需要重新遍历，因为区间 [left, right] 和 [left + 1, right] 之间存储的信息是相同的。只需移动 left，然后判断两个情况：是否符合需求，如果符合需求则继续，否则调整。由此可以推导出我们需要使用滑动窗口优化算法

2.解法二：滑动窗口 + 哈希表

【优化：判断条件】

这道题的算法思路与前面几道题相似，但优化哈希表遍历核对的判断条件有所不同。之前通过 count变量统计有效元素的次数，而这里不再单纯比较次数，而是比较元素的种类。

优化方式：使用 count 变量标记有效字符的种类，只有当所有种类的字符次数相等时，才认为满足条件并进行统计

【优化：数组模拟容器】

由于题目中字符全为小写字母，若使用容器，可能会带来较大的时间开销。因此，推荐使用数组来模拟哈希表，这样可以大幅提高效率。

【问题】：大于进行统计会导致重复

【代码实现】

class Solution {
public:string minWindow(string s, string t) {int hash1[128] = {0};int kind = 0;for(auto&ch : t) {if(hash1[ch]++ == 0) kind++;}   int hash2[128] = {0};int count = 0;// 种类int len = INT_MAX;int begin = -1;for(int left = 0, right = 0; right < s.size(); right++){char in = s[right];hash2[in]++;if(hash2[in] == hash1[in]) count++;while(count == kind){//更新结果if(right - left + 1 < len){len = right - left +1;begin = left;}char out = s[left++];if(hash2[out] == hash1[out]) count--;hash2[out]--;}}if(begin == -1) return "";else return s.substr(begin,len);}
};

快和小二一起踏上精彩的算法之旅！关注我，我们将一起破解算法奥秘，探索更多实用且有趣的知识，开启属于你的编程冒险！