labuladong 我写了套框架,把滑动窗口算法变成了默写题
言归正传,鉴于前文 我作了首诗,保你闭着眼睛也能写对二分查找 的那首《二分搜索升天词》很受好评,并在民间广为流传,成为安睡助眠的一剂良方,今天在滑动窗口算法框架中,我再次编写一首小诗来歌颂滑动窗口算法的伟大:
链表子串数组题,用双指针别犹豫。
双指针**家**三兄弟,各个都是万人迷。
**快慢指针**最神奇,链表操作无压力。
归并排序找中点,链表成环搞判定。
**左右指针**最常见,左右两端相向行。
**反转数组**要靠它,二分搜索是弟弟。
**滑动窗口**老猛男,**子串问题**全靠它。
左右指针滑窗口,一前一后齐头进。
NOTE:
1、双指针家"三兄弟",指的是哪三个?
快慢指针、左右指针、滑动窗口
关于双指针的快慢指针和左右指针的用法,可以参见前文 双指针技巧汇总,本文就解决一类最难掌握的双指针技巧:滑动窗口技巧,并总结出一套框架,可以保你闭着眼直接套出答案。
说起滑动窗口算法,很多读者都会头疼。这个算法技巧的思路非常简单,就是维护一个窗口,不断滑动,然后更新答案么。LeetCode 上有起码 10 道运用滑动窗口算法的题目,难度都是中等和困难。
NOTE:
1、参见 leetcode Sliding Window
大致逻辑
该算法的大致逻辑如下:
int left = 0, right = 0;
while (right < s.size()) {
// 增大窗口
window.add(s[right]);
right++;
while (window needs shrink) {
// 缩小窗口
window.remove(s[left]);
left++;
}
}
这个算法技巧的时间复杂度是 O(N),比一般的字符串暴力算法要高效得多。
NOTE:
1、为何上述算法,复杂度更低?
2、不同的"window needs shrink"条件不同
其实困扰大家的,不是算法的思路,而是各种细节问题。比如说如何向窗口中添加新元素,如何缩小窗口,在窗口滑动的哪个阶段更新结果。即便你明白了这些细节,也容易出 bug,找 bug 还不知道怎么找,真的挺让人心烦的。
代码框架
所以今天我就写一套滑动窗口算法的代码框架,我连在哪里做输出 debug 都给你写好了,以后遇到相关的问题,你就默写出来如下框架然后改三个地方就行,还不会出边界问题:
/* 滑动窗口算法框架 */
void slidingWindow(string s, string t) {
// 预处理字符串
unordered_map<char, int> need, window;
for (char c : t) need[c]++;
int left = 0, right = 0;
int valid = 0;
while (right < s.size()) {
// c 是将移入窗口的字符
char c = s[right];
// 右移窗口
right++;
// 进行窗口内数据的一系列更新
...
/*** debug 输出的位置 ***/
printf("window: [%d, %d)\n", left, right);
/********************/
// 判断左侧窗口是否要收缩
while (window needs shrink) {
// d 是将移出窗口的字符
char d = s[left];
// 左移窗口
left++;
// 进行窗口内数据的一系列更新
...
}
}
}
NOTE:
嵌套
while
,外层while
用于expand right,内存while用于shrink left,它们都会引起滑动窗口的更新,因此都会执行"进行窗口内数据的一系列更新"。
其中两处...
表示的更新窗口数据的地方,到时候你直接往里面填就行了。
而且,这两个...
处的操作分别是右移和左移窗口更新操作,等会你会发现它们操作是完全对称的。
NOTE:
1、使用
window
、need
、valid
,能够快速地判断,window
中是否containneed
。
真题
言归正传,下面就直接上四道LeetCode 原题来套这个框架,其中第一道题会详细说明其原理,后面四道就直接闭眼睛秒杀了。
本文代码为 C++ 实现,不会用到什么编程方面的奇技淫巧,但是还是简单介绍一下一些用到的数据结构,以免有的读者因为语言的细节问题阻碍对算法思想的理解:
unordered_map
就是哈希表(字典),它的一个方法count(key)
相当于 Java 的containsKey(key)
可以判断键 key 是否存在。
可以使用方括号访问键对应的值map[key]
。需要注意的是,如果该key
不存在,C++ 会自动创建这个 key,并把map[key]
赋值为 0。
所以代码中多次出现的map[key]++
相当于 Java 的map.put(key, map.getOrDefault(key, 0) + 1)
。
真题一、最小覆盖子串
NOTE:
1、典型的需要找到最优解,而不是一个解,因此需要罗列所有的可能性
2、LeetCode 76. 最小覆盖子串 困难
LeetCode 76 题,Minimum Window Substring,难度 Hard,我带大家看看它到底有多 Hard:
就是说要在S
(source) 中找到包含T
(target) 中全部字母的一个子串,且这个子串一定是所有可能子串中最短的。
如果我们使用暴力解法,代码大概是这样的:
for (int i = 0; i < s.size(); i++)
for (int j = i + 1; j < s.size(); j++)
if s[i:j] 包含 t 的所有字母:
更新答案
思路很直接,但是显然,这个算法的复杂度肯定大于 O(N^2) 了,不好。
滑动窗口算法的思路是这样:
***1、***我们在字符串S
中使用双指针中的左右指针技巧,初始化left = right = 0
,把索引左闭右开区间[left, right)
称为一个「窗口」。
NOTE:
因此,窗口的长度为: right - left,需要注意的是,由于right不属于窗口,因此它的长度不能够是:
right - left + 1,这是错误的
***2、***我们先不断地增加right
指针扩大窗口[left, right)
,直到窗口中的字符串符合要求(包含了T
中的所有字符)。
***3、***此时,我们停止增加right
,转而不断增加left
指针缩小窗口[left, right)
,直到窗口中的字符串不再符合要求(不包含T
中的所有字符了)。同时,每次增加left
,我们都要更新一轮结果。
NOTE:
缩小窗口,优化解
***4、***重复第 2 和第 3 步,直到right
到达字符串S
的尽头。
NOTE:
1、显然,上述不断地进行重复,目的是罗列出所有的可能性
最优解,而不是一个可行解,需要罗列所有的可能性
2、滑动窗口向右滑动的时候,是寻找一个可行解,向左滑动是优化解,也就是滑动窗口需要问题具备一定的单调性,即向右滑动,总是能够得到可行解,向左滑动,总是能够优化解,这样才能够决定何时向右滑动,何时向左滑动,也就是说,滑动窗口适合于解决"子序列、单调性、最优化问题"
如果不满足这个条件,在无法使用滑动窗口寻找最优解
这个思路其实也不难,**第 2 步相当于在寻找一个「可行解」,然后第 3 步在优化这个「可行解」,最终找到最优解,**也就是最短的覆盖子串。左右指针轮流前进,窗口大小增增减减,窗口不断向右滑动,这就是「滑动窗口」这个名字的来历。
下面画图理解一下,needs
和window
相当于计数器,分别记录T
中字符出现次数和「窗口」中的相应字符的出现次数。
初始状态:
现在开始套模板,只需要思考以下四个问题:
**1、**当移动right
扩大窗口,即加入字符时,应该更新哪些数据?
**2、**什么条件下,窗口应该暂停扩大,开始移动left
缩小窗口?
**3、**当移动left
缩小窗口,即移出字符时,应该更新哪些数据?
**4、**我们要的结果应该在扩大窗口时还是缩小窗口时进行更新?
NOTE:
1、大多数,都是在窗口缩小的时候更新
实现、source code
如果你能够理解上述过程,恭喜,你已经完全掌握了滑动窗口算法思想。现在我们来看看这个滑动窗口代码框架怎么用:
首先,初始化window
和need
两个哈希表,记录窗口中的字符和需要凑齐的字符:
unordered_map<char, int> need, window;
for (char c : t) need[c]++;
NOTE:
1、
need
记录需要哪些字符,每个字符的个数2、
window
记录窗口中的字符的情况
其中valid
变量表示窗口中满足need
条件的字符个数,如果valid
和need.size
的大小相同,则说明窗口已满足条件,已经完全覆盖了串T
。
NOTE:
1、上面介绍了,如何实现"完全覆盖"
如果一个字符进入窗口,应该增加window
计数器;如果一个字符将移出窗口的时候,应该减少window
计数器;当valid
满足need
时应该收缩窗口;应该在收缩窗口的时候更新最终结果。
完整代码
下面是完整代码:
string minWindow(string s, string t) {
unordered_map<char, int> need, window;
for (char c : t) need[c]++;
int left = 0, right = 0;
int valid = 0;
// 记录最小覆盖子串的起始索引及长度
int start = 0, len = INT_MAX;
while (right < s.size()) {
// c 是将移入窗口的字符
char c = s[right];
// 右移窗口
right++;
// 进行窗口内数据的一系列更新
if (need.count(c)) {
window[c]++;
if (window[c] == need[c])
valid++;
}
// 判断左侧窗口是否要收缩
while (valid == need.size()) {
// 在这里更新最小覆盖子串
if (right - left < len) {
start = left;
len = right - left;
}
// d 是将移出窗口的字符
char d = s[left];
// 左移窗口
left++;
// 进行窗口内数据的一系列更新
if (need.count(d)) {
if (window[d] == need[d])
valid--;
window[d]--;
}
}
}
// 返回最小覆盖子串
return len == INT_MAX ?
"" : s.substr(start, len);
}
需要注意的是,当我们发现某个字符在window
的数量满足了need
的需要,就要更新valid
,表示有一个字符已经满足要求。而且,你能发现,两次对窗口内数据的更新操作是完全对称的。
当valid == need.size()
时,说明T
中所有字符已经被覆盖,已经得到一个可行的覆盖子串,现在应该开始收缩窗口了,以便得到「最小覆盖子串」。
移动left
收缩窗口时,窗口内的字符都是可行解,所以应该在收缩窗口的阶段进行最小覆盖子串的更新,以便从可行解中找到长度最短的最终结果。
至此,应该可以完全理解这套框架了,滑动窗口算法又不难,就是细节问题让人烦得很。以后遇到滑动窗口算法,你就按照这框架写代码,保准没有 bug,还省事儿。
NOTE:
下面是我第一次写的程序:
#include <bits/stdc++.h> using namespace std; class Solution { public: string minWindow(string s, string t) { unordered_map<char, int> need, window; // 预处理字符串t,便于进行匹配 for (auto &&c : t) need[c]++; int left = 0, right = 0; // 滑动窗口的左右 int valid = 0; // 记录窗口中,已经满足了need中字符数量的字符的个数 // 结果 int start = 0; //结果的起始位置 int len = INT_MAX; //结果的长度 while (right < s.size()) { char c = s[right]; ++right; // 更新window if (need.count(c)) // c是目标字符 { window[c]++; // 更新window中的字符统计 if (window[c] == need[c]) // 字符c已经满足了要求 { ++valid; } } while (valid == need.size()) // 需要收缩window { if (right - left < len) // 需要注意,窗口是[left, right)即左开右闭,需要注意的是,由于right不属于窗口,因此它的长度不能够是: right - left + 1,这是错误的 { len = right - left + 1; start = left; } c = s[left]; ++left; // 更新window if (need.count(c)) // c是目标字符 { window[c]--; // 更新window中的字符统计 if (window[c] != need[c]) // 字符c已经满足了要求 { --valid; } } } } return len == INT_MAX ? "" : s.substr(start, len); } }; int main() { std::string s { "aaaaaaaaaaaabbbbbcdd" }; std::string t { "abcdd" }; Solution solu; cout << solu.minWindow(s, t) << endl; } // g++ test.cpp --std=c++11 -pedantic -Wall -Wextra -g
对于测试用例:
"aaaaaaaaaaaabbbbbcdd" "abcdd"
实际输出:
"aaaaaaaaaaaabbbbbcdd"
预期结果:
"abbbbbcdd"
后来我通过和作者给出的code进行对比,发现差异在于:
我的:
// 更新window if (need.count(c)) // c是目标字符 { window[c]--; // 更新window中的字符统计 if (window[c] != need[c]) // 字符c已经满足了要求 { --valid; } }
作者的:
// 进行窗口内数据的一系列更新 if (need.count(d)) { if (window[d] == need[d]) valid--; window[d]--; }
再结合这个测试用例,可知问题的症结了:
由于题目的要求是子串,因此,如果window中,某个字符的个数比need中的字符个数要多,比如对于测试用例:
"aaaaaaaaaaaabbbbbcdd" "abcdd"
显然,当
valid == need.size()
即需要shrink的时候,window已经包含了整个字符串"aaaaaaaaaaaabbbbbcdd"
,按照我的写法,只要if (window[c] != need[c])
就--valid;
停止shrink,显然这是犯了逻辑错误,应该是当if (window[d] == need[d])
,而此时又要进行shrink,显然会导致不满足条件,要通知shrink;
真题二、字符串排列
NOTE:
1、典型的判断是否存在,不需要罗列所有的可能性
2、要求窗口的长度 和 子串的长度相同、并且窗口包含了子串的时候,则找到了解
3、LeetCode 567. 字符串的排列 中等
4、作者给出的解法是比较复杂的,这个问题可以使用更加简单的滑动窗口写法,参见 LeetCode 567. 字符串的排列 的官方解题给出的写法。下面的程序是不容易理解的。
LeetCode 567 题,Permutation in String,难度 Medium:
注意哦,输入的s1
是可以包含重复字符的,所以这个题难度不小。
这种题目,是明显的滑动窗口算法,相当给你一个S
和一个T
,请问你S
中是否存在一个子串,包含T
中所有字符且不包含其他字符?
首先,先复制粘贴之前的算法框架代码,然后明确刚才提出的 4 个问题,即可写出这道题的答案:
// 判断 s 中是否存在 t 的排列
bool checkInclusion(string t, string s) {
unordered_map<char, int> need, window;
for (char c : t) need[c]++;
int left = 0, right = 0;
int valid = 0;
while (right < s.size()) {
char c = s[right];
right++;
// 进行窗口内数据的一系列更新
if (need.count(c)) {
window[c]++;
if (window[c] == need[c])
valid++;
}
// 判断左侧窗口是否要收缩
while (right - left >= t.size()) {
// 在这里判断是否找到了合法的子串
if (valid == need.size()) //
return true;
char d = s[left];
left++;
// 进行窗口内数据的一系列更新
if (need.count(d)) {
if (window[d] == need[d])
valid--;
window[d]--;
}
}
}
// 未找到符合条件的子串
return false;
}
NOTE:
一、上述code 和 LeetCode 76. 最小覆盖子串 中的code其实差异还是比较大的:
1、在 LeetCode 76. 最小覆盖子串 中,shrink的条件是:
valid == need.size()
,上述code中,shrink的条件是right - left >= t.size()
,这样,运行的时候,一旦right - left == t.size()
,即window的长度和目标字符串的长度相同,它就会执行匹配;它的匹配是非常简单的:
valid == need.size()
因为此时window的长度 和 目标字符串的长度相同,所以不会有多余的字符串,所以可以直接进行上述比较;
二、上述程序在下面的测试用例中
"abcdxabcde" "abcdeabcdx"
对于这道题的解法代码,基本上和最小覆盖子串一模一样,只需要改变两个地方:
**1、**本题移动left
缩小窗口的时机是窗口大小大于t.size()
时,因为排列嘛,显然长度应该是一样的。
**2、**当发现valid == need.size()
时,就说明窗口中就是一个合法的排列,所以立即返回true
。
至于如何处理窗口的扩大和缩小,和最小覆盖子串完全相同
真题三、找所有字母异位词
NOTE:
1、和前面的字符串排列基本相同
2、LeetCode 438. 找到字符串中所有字母异位词 中等
这是 LeetCode 第 438 题,Find All Anagrams in a String,难度 Medium:
呵呵,这个所谓的字母异位词,不就是排列吗,搞个高端的说法就能糊弄人了吗?相当于,输入一个串S
,一个串T
,找到S
中所有T
的排列,返回它们的起始索引。
直接默写一下框架,明确刚才讲的 4 个问题,即可秒杀这道题:
vector<int> findAnagrams(string s, string t) {
unordered_map<char, int> need, window;
for (char c : t) need[c]++;
int left = 0, right = 0;
int valid = 0;
vector<int> res; // 记录结果
while (right < s.size()) {
char c = s[right];
right++;
// 进行窗口内数据的一系列更新
if (need.count(c)) {
window[c]++;
if (window[c] == need[c])
valid++;
}
// 判断左侧窗口是否要收缩
while (right - left >= t.size()) {
// 当窗口符合条件时,把起始索引加入 res
if (valid == need.size())
res.push_back(left);
char d = s[left];
left++;
// 进行窗口内数据的一系列更新
if (need.count(d)) {
if (window[d] == need[d])
valid--;
window[d]--;
}
}
}
return res;
}
跟寻找字符串的排列一样,只是找到一个合法异位词(排列)之后将起始索引加入res
即可。
真题四、最长无重复子串
NOTE:
1、当窗口中,没有重复字符的时候,进行expand,当存在重复字符的时候,进行shrink
2、如何判断是否有重复字符呢?使用hash table in?
看了下面的实现,它使用的是字符个数大于0,显然它是充分利用
window
--关于窗口内情况的统计。3、leetcode 3. 无重复字符的最长子串 中等
这是 LeetCode 第 3 题,Longest Substring Without Repeating Characters,难度 Medium:
这个题终于有了点新意,不是一套框架就出答案,不过反而更简单了,稍微改一改框架就行了:
int lengthOfLongestSubstring(string s) {
unordered_map<char, int> window;
int left = 0, right = 0;
int res = 0; // 记录结果
while (right < s.size()) {
char c = s[right];
right++;
// 进行窗口内数据的一系列更新
window[c]++;
// 判断左侧窗口是否要收缩
while (window[c] > 1) {
char d = s[left];
left++;
// 进行窗口内数据的一系列更新
window[d]--;
}
// 在这里更新答案
res = max(res, right - left);
}
return res;
}
这就是变简单了,连need
和valid
都不需要,而且更新窗口内数据也只需要简单的更新计数器window
即可。
当window[c]
值大于 1 时,说明窗口中存在重复字符,不符合条件,就该移动left
缩小窗口了嘛。
唯一需要注意的是,在哪里更新结果res
呢?我们要的是最长无重复子串,哪一个阶段可以保证窗口中的字符串是没有重复的呢?
这里和之前不一样,要在收缩窗口完成后更新res
,因为窗口收缩的 while 条件是存在重复元素,换句话说收缩完成后一定保证窗口中没有重复嘛。