关卡名 | 认识滑动窗口 | 我会了✔️ |
内容 | 1.复习一维数组,理解双指针的作用和工作原理 | ✔️ |
2.理解滑动窗口的原理和适用场景 | ✔️ | |
3.掌握窗口变与不变的两种情况是如何用来解题的 | ✔️ |
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》章节我们介绍了很多典型例子,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,我们介绍过“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hystrix、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,left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left和right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left和right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:
- 固定窗口的滑动就是火车行驶这种大小不变的移动 。
- 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:
- 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。
- 如果窗口是变的,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:
- 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。
- 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。
- 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。
2. 两个入门题
滑动窗口在不同的题目里,根据窗口大小变或者不变,有两种类型。
这里我们就看两个基本的题目。
2.1.子数组最大平均数
LeetCode643 给定 n 个整数,找出平均数最大且长度为 k 的连续子数组,并输出该最大平均数。
其中 1<=k<=nums.length<=10^5。
输入:[1,12,-5,-6,50,3], k = 4
输出:12.75
解释:最大平均数 (12-5-6+50)/4 = 51/4 = 12.75
这是典型的滑动窗口,大小都规定了,就是K,那我们只要先读取k个,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。直接看代码:
public static 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;
}
2.2 最长连续递增序列
我们再看一个窗户变化的情况。LeetCode674.给定一个未经排序的整数数组,找到最长且连续递增的子序列,并返回该序列的长度。
输入:nums = [1,3,5,4,7]
输出:3
解释:最长连续递增序列是 [1,3,5], 长度为3。
尽管 [1,3,5,7] 也是升序的子序列, 但它不是连续的,因为 5 和 7 在原数组里被 4 隔开。
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。
可以看到,最长递增子序列为{4,7,8,9}所以应该返回4。所以在遍历的时候,我们可以从第 2 个元素开始,先定义[left,right)的区间来表示当前的递增区间,执行如下操作:
- 如果当前遍历到的元素比它左边的那一个元素要严格大,right就增加;
- 否则就将left跳到right的起始位置,重新开始计算。
public static int findLengthOfLCIS(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 static int findLengthOfLCIS(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;
}
如果不知道滑动窗口,本题也能做,这里只是将其明确了一下,所以滑动窗口就是个名字,不要被这些概念吓到。