算法通关村——原来滑动窗口如此简单

1.滑动窗口基本思想

在数组章节我们说过很多算法会大量移动数组中的元素，频繁移动元素会导致执行效率低下或者超时。使用两个变量能比较好的解决很多相关问题，在 一维数组 和 链表 的题目中就有很多典型例子，于是这种方式就慢慢演化成了“双指针思想”。

在数组双指针里，我们经常使用的双指针包括 “对撞型”和"快慢型” 两种方式，而滑动窗口思想其实就是快慢型的特例。学过计算机网络的同学都知道滑动窗口协议(Sliding Window Protocol),该协议是TCP实现流量控制等的核心策略之一。事实上在与流量控制、熔断、限流、超时等场景下都会首先从滑动窗口的角度来思考问题，例如nystriⅸ、sentinel等框架都使用了这种思想。

滑动窗口的思想非常简单，如下图所示，假如窗口的大小是3，当不断有新数据来时，我们会维护一个大小为3的一个区间，超过3的就将新的放入老的移走。

这个过程有点像火车在铁轨上跑，原始数据可能保存在一个很大的空间里（铁轨），但是我们标记的小区间就像一列长度固定的火车，一直向前走。

有了区间，那我们就可以造题了，例如让你找序列上三个连续数字的最大和是多少，或者子数组平均数是多少(LeetCode643)等等。

从上面的图可以看到，所谓窗口就是建立两个索引，Ieft和right,并且保持left,right之间一共有3个元素，然后一边遍历序列，一边寻找，每改变一次就标记一下当前区间的最大值就行了。
这个例子已经告诉我们了什么是窗口、什么是窗口的滑动：

• 窗口：窗口其实就是两个变量lt和ight之间的元素，也可以理解为一个区间。窗口大小可能固定，也可能变化，如果是固定大小的，那么自然要先确定窗口是否越界，再执行逻辑处理。如果不是固定的，就要先判断是否满足要求，再执行逻辑处理。
• 滑动：说明这个窗口是移动的，事实上移动的仍然是Ieft和ight两个变量，而不是序列中的元素。当变量移动的时，其中间的元素必然会发生变化，因此就有了这种不断滑动的效果。

在实际问题中，窗口大小不一定是固定的，我们可以思考两种场景：

1. 固定窗口的滑动就是火车行驶这种大小不变的移动。
2. 可变的窗口就像两个老师带着一队学生外出，一个负责开路，一个负责断后，中间则是小朋友。两位老师之间的距离可能有时大有时小，但是整体窗口是不断滑动的。

根据窗口大小是否固定，可以造出两种类型的题：

1. 如果是固定的，则一般会让你求哪个窗口的元素最大、最小、平均值、和最大、和最小等等类型的问题。
2. 如果窗口是可变的，则一般会让你求一个序列里最大、最小窗口是什么等等。

滑动窗口题目本身没有太高的思维含量，但是实际在解题的时候仍然会感觉比较吃力，主要原因有以下几点：

1. 解题最终要落实到数组上，特别是边界处理上，这是容易晕的地方，稍有疏忽就难以得到准确的结果。
2. 有些元素的比较、判断等比较麻烦，不仅要借助集合等工具，而且处理过程中还有一些技巧，如果不熟悉会导致解题难度非常大。
3. 堆！我们在前面介绍过，堆结构非常适合在流数据中找固定区间内的最大、最小等问题。因此滑动窗口经常和堆一起使用可以完美解决很多复杂的问题。

最后一个问题，那双指针和滑动窗口啥区别呢？根据性质我们可以看到，滑动窗口是双指针的一种类型，主要关注两个指针之间元素的情况，因此范围更小一些，而双指针的应用范围更大，花样也更多。

根据窗口的大小是否改变我们这里列举两个不同题型来进行分析。

2. 子数组最大平均数

我们来看看 LeetCode643.

这里使用的就是典型的滑动窗口，大小规定了为k，那我们就只需先读取 k 个数，然后逐步让窗口向前走就可以了，图示与上一节的基本一样。
代码实现如下：

public double findMaxAverage(int[] nums, int k) {
        int len = nums.length;
        int widowSum = 0;
        if (k > nums.length || nums.length < 1 || k < 1) {
            return 0;
        }
        //   第一步 先求第一个窗口的和
        for (int i = 0; i < k; i++) {
            widowSum += nums[i];
        }

        //  第二步 ：遍历，每次右边增加一个，左边减去一个，重新计算窗口最大值
        int res = widowSum;
        for (int right = k; right < len; right++) {
            widowSum += nums[right] - nums[right - k];
            res = Math.max(res, widowSum);
        }
        return (double) res / k;
    }

3. 最长连续递增序列

LeetCode674.

为了方便演示，我们将示例序列再增加几个元素{1,3,5,4,7,8,9,2}，则图示如下，题目要求找到最长的连续递增子序列。

根据上图，我们不难发现，连续增长子序列中{4,7,8,9}为最长子序列 返回4。所以，我们可以从第2为元素开始，先定义区间 [left , right) 来表示当前获取的所获取的递增区间，执行一下操作：

• 如果当前right位置的元素比他前一个元素大，则right继续向后移动，同时将当前获取的最长序列长度 res 与当前 righ - left 进行比较，更新较大数 为 res。
• 否则先使 left 跳到 当前 right 的位置，再进行以上操作。

    public int findLengthOfLCIS_1(int[] nums) {
        int left = 0, right = 0;
        int res = 0;
        while (right < nums.length) {
            //右侧的新元素比左侧的小，则重新开始记录left位置
            //该问题本质就是快慢指针，left就是slow指针
            if (right > 0 && nums[right - 1] >= nums[right]) {
                left = right;
            }
            right++;
            res = Math.max(res, right - left);
        }
        return res;
    }

上面代码中，序列在[left…right)严格单调递增，区间的长度为right-left。
本题还有多种解法，另外一种简易的思路是一边遍历，一边统计每个递增区间的长度，如果长度超过之前所有区间的长度，就将其保留，代码如下：

    public int findLengthOfLCIS_2(int[] nums) {
        int curLen = 1;//当前连续递增区间的长度
        int res = 1;
        for (int i = 1; i < nums.length; i++) {
            if (nums[i - 1] >= nums[i]) {
                //不满足要求，重新开始计数
                curLen = 1;
            } else {
                curLen++;
            }
            res = Math.max(curLen, res);
        }
        return res;
    }