给你一个字符串 s 、一个字符串 t 。返回 s 中涵盖 t 所有字符的最小子串。如果 s 中不存在涵盖 t 所有字符的子串,则返回空字符串 "" 。
注意: 对于 t 中重复字符,我们寻找的子字符串中该字符数量必须不少于 t 中该字符数量。 如果 s 中存在这样的子串,我们保证它是唯一的答案。
示例 1: 输入:s = "ADOBECODEBANC", t = "ABC" 输出:"BANC" 解释:最小覆盖子串 "BANC" 包含来自字符串 t 的 'A'、'B' 和 'C'。
示例 2: 输入:s = "a", t = "a" 输出:"a" 解释:整个字符串 s 是最小覆盖子串。
示例 3: 输入: s = "a", t = "aa" 输出: "" 解释: t 中两个字符 'a' 均应包含在 s 的子串中, 因此没有符合条件的子字符串,返回空字符串。
提示: m == s.length n == t.length 1 <= m, n <= 10的5次方 s 和 t 由英文字母组成
进阶:你能设计一个在 o(m+n) 时间内解决此问题的算法吗?
解题思路:可以使用滑动窗口和两个指针来解决该问题,首先,将目标字符串 t 中每个字符的出现次数存储在一个哈希表中。然后,使用两个指针来表示滑动窗口的左右边界,并遍历字符串 s 。在遍历过程中,不断右移右指针,并更新窗口内字符的状态,直到窗口内包含了所有目标字符。当窗口内已经包含了所有目标字符时,移动左指针,并在移动过程中更新最小窗口长度及其左边界,最后返回最小窗口的子串。
class Solution {
public String minWindow(String s, String t) {
// 存储目标字符串 t 中每个字符的出现次数
Map<Character, Integer> targetMap = new HashMap<>();
for (char c : t.toCharArray()) {
targetMap.put(c, targetMap.getOrDefault(c, 0) + 1);
}
int left = 0; // 窗口左边界
int minLen = Integer.MAX_VALUE; // 最小窗口长度
int minLeft = 0; // 最小窗口左边界
int count = 0; // 记录当前窗口中已经包含了多少目标字符
// 遍历字符串 s
for (int right = 0; right < s.length(); right++) {
char c = s.charAt(right);
// 更新窗口内字符的状态
if (targetMap.containsKey(c)) {
targetMap.put(c, targetMap.get(c) - 1);
if (targetMap.get(c) >= 0) {
count++;
}
}
// 当窗口内已经包含了所有目标字符时
while (count == t.length()) {
// 更新最小窗口长度及其左边界
if (right - left + 1 < minLen) {
minLen = right - left + 1;
minLeft = left;
}
char leftChar = s.charAt(left);
// 移动左边界,并更新窗口内字符的状态
if (targetMap.containsKey(leftChar)) {
targetMap.put(leftChar, targetMap.get(leftChar) + 1);
if (targetMap.get(leftChar) > 0) {
count--;
}
}
left++; // 移动左边界
}
}
return minLen == Integer.MAX_VALUE ? "" : s.substring(minLeft, minLeft + minLen);
}
}
进阶:设计一个在 o(m+n) 时间内解决此问题的算法
解题思路:(m) 是字符串 s 的长度,(n) 是字符串 t 的长度。在原始的滑动窗口算法中,我们使用了两个指针来表示窗口的左右边界,并在遍历字符串 s 的过程中移动这些指针。但在优化版的滑动窗口算法中,我们可以使用两个哈希表来替代指针的移动,以达到 (O(m + n)) 的时间复杂度。我们仍然使用一个哈希表来存储目标字符串 t 中每个字符的出现次数。我们使用两个指针 left 和 right 来表示滑动窗口的左右边界,并在遍历字符串 s 的过程中不断移动这些指针。我们使用两个哈希表 windowMap 和 targetMap 分别表示当前窗口内字符的出现次数和目标字符串 t 中字符的出现次数。在遍历字符串 s 的过程中,我们维护一个计数器 matchCount 来记录当前窗口内已经包含的目标字符的数量。我们根据 matchCount 的值来动态调整窗口的大小,使其尽可能小,同时仍然包含所有目标字符。我们只需遍历字符串 s 一次,遍历字符串 t 一次,并使用两个哈希表来动态调整窗口的大小。因此,该算法的时间复杂度为 (O(m + n))。
class Solution {
public String minWindow(String s, String t) {
Map<Character, Integer> targetMap = new HashMap<>();
for (char c : t.toCharArray()) {
targetMap.put(c, targetMap.getOrDefault(c, 0) + 1);
}
Map<Character, Integer> windowMap = new HashMap<>();
int left = 0;
int minLen = Integer.MAX_VALUE;
int minLeft = 0;
int matchCount = 0;
for (int right = 0; right < s.length(); right++) {
char c = s.charAt(right);
if (targetMap.containsKey(c)) {
windowMap.put(c, windowMap.getOrDefault(c, 0) + 1);
if (windowMap.get(c).equals(targetMap.get(c))) {
matchCount++;
}
}
while (matchCount == targetMap.size()) {
if (right - left + 1 < minLen) {
minLen = right - left + 1;
minLeft = left;
}
char leftChar = s.charAt(left);
if (targetMap.containsKey(leftChar)) {
windowMap.put(leftChar, windowMap.get(leftChar) - 1);
if (windowMap.get(leftChar) < targetMap.get(leftChar)) {
matchCount--;
}
}
left++;
}
}
return minLen == Integer.MAX_VALUE ? "" : s.substring(minLeft, minLeft + minLen);
}
}