四、 209.长度最小的子数组
题解参考代码随想录 (programmercarl.com)
1. 题目描述
给定一个含有
n
个正整数的数组和一个正整数target
。找出该数组中满足其和
≥ target
的长度最小的连续子数组[numsl, numsl+1, ..., numsr-1, numsr]
,并返回其长度。如果不存在符合条件的子数组,返回0
。
示例 1:
输入:target = 7, nums = [2,3,1,2,4,3]
输出:2
解释:子数组 [4,3] 是该条件下的长度最小的子数组。
示例 2:
输入:target = 4, nums = [1,4,4]
输出:1
示例 3:
输入:target = 11, nums = [1,1,1,1,1,1,1,1]
输出:0
提示:
1 <= target <= 109
1 <= nums.length <= 105
1 <= nums[i] <= 105
进阶:
- 如果你已经实现
O(n)
时间复杂度的解法, 请尝试设计一个O(n log(n))
时间复杂度的解法。
2. 解题思路
这道题大致有两种思路
- 思路一:暴力解法,两层for循环遍历数组,时间复杂度
O(n^2)
。 - 思路二:滑动窗口法,时间复杂度
O(n)
。
3. 暴力解法
使用两层for循环,第一层代表子数组起始位置,i从0开始不断遍历数组,第二层代表终止位置,j从i开始往后遍历,不断的寻找符合条件的子序列,并比较大小,返回最短子数组的长度。
代码如下所示
/**
* 暴力解法:双层for循环
* 时间复杂度:O(n^2)
* 空间复杂度:O(1)
*/
int minSubArrayLen(int target, int* nums, int numsSize){
int result = INT_MAX; // 返回的结果
int sum = 0; // 子数组之和
int subLength = 0; // 子数组的长度
for (int i = 0; i < numsSize; i++) {
sum = 0; // 子数组之和重置为0
for (int j = i; j < numsSize; j++) {
sum += nums[j];
if (sum >= target) { // 子序列之和大于target,就更新result
subLength = j - i + 1;
result = result < subLength ? result : subLength; // 寻找最短子数组
break; // 找到就直接退出当前循环
}
}
}
// 如果result等于INT_MAX,就表示没有找到子数组,返回0,找到就返回result
return result == INT_MAX ? 0 : result;
}
注意:暴力解法在leetcode上跑会超时
- 时间复杂度:
O(n^2)
- 空间复杂度:
O(1)
4. 滑动数组法
所谓滑动窗口,就是不断的调节子序列的起始位置和终止位置,从而得出我们要想的结果。其实滑动窗口也可以理解为双指针法中的一种,不过在表现上更像是一个窗口的移动,因此我们将其称为滑动窗口法更为合适。
在暴力解法中,是一个for循环滑动窗口的起始位置,一个for循环为滑动窗口的终止位置,用两个for循环 完成了一个不断搜索区间的过程。而滑动窗口就是用一个for循环来完成这个操作。
这里我们需要注意的一点是:在这一个for循环里,我们表示的是终止位置。我们可以这样想:如果只用一个for循环来表示滑动窗口的起始位置,那么如何遍历剩下的终止位置?那么就再次陷入暴力解法的怪圈了。因此,这个for循环里循环的只能是终止位置。
知道for循环表示的是终止位置之后,那么滑动窗口的起始位置该如何移动呢?其实就是找到满足条件的子数组之后,减去起始位置的元素,起始位置后移,然后再判断当前子数组之后是否大于target,重复此操作,直到循环结束。
因此,在本题中实现滑动窗口,主要有以下三点我们需要弄清楚:
-
窗口内是什么?
窗口就是满足其和
≥ s
的长度最小的连续
子数组。 -
如何移动窗口的起始位置?
如果当前窗口的值大于s了,窗口就要向前移动了(也就是该缩小了)。
- 如何移动窗口的结束位置?
窗口的结束位置就是遍历数组的指针,也就是for循环里的索引。
这道题解题的关键就是窗口的起始位置该如何移动,如图所示(注:图片来源代码随想录 (programmercarl.com))
代码如下所示
/**
* 滑动窗口法
* 时间复杂度:O(n)
* 空间复杂度:O(1)
*/
int minSubArrayLen(int target, int* nums, int numsSize){
int result = INT_MAX; // 返回的结果
int sum = 0; // 子数组之和
int subLength = 0; // 子数组的长度
int i = 0; // 起始位置
for (int j = 0; j < numsSize; j++) { // j指向子数组终止位置
sum += nums[j]; // 子数组元素求和
while (sum >= target) { // 找到子数组
subLength = j - i + 1; // 子数组长度
result = result < subLength ? result : subLength; // 找较小值
sum -= nums[i]; // 计算减去起始位置的子数组元素之和,while循环判断是否仍然>=target
i++; // 起始位置后移一位
}
}
// 如果result等于INT_MAX,就表示没有找到子数组,返回0,找到就返回result
return result == INT_MAX ? 0 : result;
}
- 时间复杂度:
O(n)
- 空间复杂度:
O(1)
疑惑:为什么时间复杂度是O(n)?
不要以为for里放一个while就以为是
O(n^2)
啊, 主要是看每一个元素被操作的次数,每个元素在滑动窗后进来操作一次,出去操作一次,每个元素都是被操作两次,所以时间复杂度是 2 × n 也就是O(n)
。
5. 总结
滑动窗口法之所以优于暴力解法,其精妙之处就在于根据当前子序列和大小的情况,不断调节子序列的起始位置。从而将O(n^2)
暴力解法降为O(n)
。