注:
题目:
请从字符串中找出一个最长的不包含重复字符的子字符串,计算该最长子字符串的长度。
示例 1:
输入: “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。
示例 2:
输入: “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。
示例 3:
输入: “pwwkew”
输出: 3
解释: 因为无重复字符的最长子串是 “wke”,所以其长度为 3。
请注意,你的答案必须是 子串 的长度,“pwke” 是一个子序列,不是子串。
提示:
s.length <= 40000
题解:
方法一 动态规划
解题思路:
长度为 N 的字符串共有(1+N)N/2个子字符串(复杂度为 O(N^2)),判断长度为 N 的字符串是否有重复字符的复杂度为 O(N) ,因此本题使用暴力法解决的复杂度为 O(N^3)。考虑使用动态规划降低时间复杂度。
动态规划解析:
状态定义: 设动态规划列表 dp ,dp[j] 代表以字符 s[j] 为结尾的 “最长不重复子字符串” 的长度。
转移方程: 固定右边界 j ,设字符 s[j] 左边距离最近的相同字符为 s[i] ,即 s[i] = s[j]。
当 s[j] 左边无相同字符时,则dp[j]=dp[j−1]+1 ;
当 dp[j - 1] < j - i ,说明字符 s[i] 在子字符串 dp[j−1] 区间之外 ,则 dp[j] = dp[j - 1] + 1;
当 dp[j−1]≥j−i ,说明字符 s[i] 在子字符串 dp[j−1] 区间之中 ,则 dp[j] 的左边界由 s[i] 决定,即 dp[j] = j - i;
返回值: max(dp) ,即全局的 “最长不重复子字符串” 的长度。
观察转移方程,可知问题为:每轮遍历字符 s[j]s[j] 时,如何计算索引 i ?
以下介绍 哈希表 , 线性遍历 两种方法。
1.动态规划+哈希表
class Solution {
public:
int lengthOfLongestSubstring(string s) {
if(s==""){
return 0;
}
//每个元素最后出现的位置
map<char,int> dir;
vector<int> dp(s.size());
dp[0]=1;
dir[s[0]]=0;
for(int j=1;j<s.size();j++){
if(dir.count(s[j])==1){
//获取与s[j]相同的元素的索引
int index=dir[s[j]];
//更新s[j]最后出现的位置
dir[s[j]]=j;
if(dp[j-1]>=j-index){
dp[j]=j-index;
}
else{
dp[j]=dp[j-1]+1;
}
}
else{
//更新s[j]最后出现的位置
dir[s[j]]=j;
dp[j]=dp[j-1]+1;
}
}
return *max_element(dp.begin(), dp.end());
}
};
复杂度分析:
时间复杂度 O(N) : 其中 N 为字符串长度,动态规划需遍历计算 dp 列表。
空间复杂度 O(N) : dp数组的大小为N,哈希表大小最大为N。
空间复杂度优化
由于返回值是取 dp 列表最大值,因此可借助变量 tmp 存储 dp[j] ,变量 res 每轮更新最大值即可。
此优化可节省 dp 列表使用的 O(N) 大小的额外空间。
class Solution {
public:
int lengthOfLongestSubstring(string s) {
if(s==""){
return 0;
}
//每个元素最后出现的位置
map<char,int> dir;
dir[s[0]]=0;
//子串长度初始为1
int temp=1;
int result=temp;
for(int j=1;j<s.size();j++){
if(dir.count(s[j])==1){
//获取与s[j]相同的元素的索引
int index=dir[s[j]];
//更新s[j]最后出现的位置
dir[s[j]]=j;
if(temp>=j-index){
temp=j-index;
}
else{
temp=temp+1;
}
}
else{
//更新s[j]最后出现的位置
dir[s[j]]=j;
temp=temp+1;
}
result=max(result,temp);
}
return result;
}
};
复杂度分析:
时间复杂度 O(N) : 其中 N 为字符串长度,动态规划需遍历计算 dpdp 列表。
空间复杂度 O(1) : 字符的 ASCII 码范围为 0 ~ 127 ,哈希表dic 最多使用 O(128) = O(1) 大小的额外空间。
2.动态规划+线性遍历
遍历到 s[j] 时,初始化索引 i = j - 1 ,向左遍历搜索第一个满足 s[i] = s[j]的字符。
复杂度分析:
时间复杂度 O(N^2): 其中 N 为字符串长度,动态规划需遍历计算 dp 列表,占用 O(N) ;每轮计算 dp[j] 时搜索 i 需要遍历 j 个字符,占用 O(N) 。
空间复杂度 O(1) : 几个变量使用常数大小的额外空间。
class Solution {
public:
int lengthOfLongestSubstring(string s) {
if(s==""){
return 0;
}
//子串长度初始为1
int temp=1;
int result=temp;
for(int j=1;j<s.size();j++){
int i=j-1;
while(i>=0&&s[i]!=s[j]){
i--;
}
if(i<0){
temp=temp+1;
}
else{
if(temp>=j-i){
temp=j-i;
}
else{
temp=temp+1;
}
}
result=max(result,temp);
}
return result;
}
};
方法二 滑动窗口
1.滑动窗口+双指针
题目中要求答案必须是 子串 的长度,意味着子串内的字符在原字符串中一定是连续的。因此我们可以将答案看作原字符串的一个滑动窗口,并维护窗口内不能有重复字符,同时更新窗口的最大值。
算法
①初始化头尾指针 head,tail;
②tail 指针右移,判断 tail 指向的元素是否在 [head:tail] 的窗口内;
③如果窗口中没有该元素,则将该元素加入窗口,同时更新窗口长度最大值,tail 指针继续右移;
④如果窗口中存在该元素,则将 head 指针右移,直到窗口中不包含该元素。
⑤返回窗口长度的最大值。
复杂度分析
时间复杂度O(n^2)
空间复杂度O(1): 使用了 head,tail,res。
class Solution {
public:
int lengthOfLongestSubstring(string s) {
if(s==""){
return 0;
}
int len=1;
int result=len;
int head=0;
int tail=0;
while(tail<=s.size()-1){
//index为[head,tail]中与tail值相同的元素的最后出现位置;
int index=-1;
//查找tail是否在[head,tail]中出现过
for(int i=head;i<tail;i++){
if(s[i]==s[tail]){
index=i;
}
}
//若出现过,则重新设定head
if(index!=-1){
head=index+1;
}
//若未出现过,则不需要重新设定head
len=tail-head+1;
result=max(len,result);
tail+=1;
}
return result;
}
};
2.滑动窗口+哈希表
我们可以使用哈希表记录每个字符的下一个索引,然后尽量向右移动尾指针来拓展窗口,并更新窗口的最大长度。如果尾指针指向的元素重复,则将头指针直接移动到窗口中重复元素的右侧。
复杂度分析
时间复杂度O(n)
空间复杂度O(n):使用了map,大小为n。
class Solution {
public:
int lengthOfLongestSubstring(string s) {
if(s==""){
return 0;
}
int len=1;
int result=len;
int head=0;
int tail=0;
map<char,int> dir;
while(tail<=s.size()-1){
//若尾部指针存在于map,对头指针进行重新计算
if(dir.count(s[tail])==1){
head=max(head,dir[s[tail]]+1);
}
dir[s[tail]]=tail;
len=tail-head+1;
result=max(result,len);
tail+=1;
}
return result;
}
};