【LeetCode热题100】打卡第23天：最小覆盖&子集

【LeetCode热题100】打卡第23天：最小覆盖&子集

⛅前言

大家好，我是知识汲取者，欢迎来到我的LeetCode热题100刷题专栏！

精选 100 道力扣（LeetCode）上最热门的题目，适合初识算法与数据结构的新手和想要在短时间内高效提升的人，熟练掌握这 100 道题，你就已经具备了在代码世界通行的基本能力。在此专栏中，我们将会涵盖各种类型的算法题目，包括但不限于数组、链表、树、字典树、图、排序、搜索、动态规划等等，并会提供详细的解题思路以及Java代码实现。如果你也想刷题，不断提升自己，就请加入我们吧！QQ群号：827302436。我们共同监督打卡，一起学习，一起进步。

LeetCode热题100专栏🚀：LeetCode热题100

Gitee地址📁：知识汲取者 (aghp) - Gitee.com

题目来源📢：LeetCode 热题 100 - 学习计划 - 力扣（LeetCode）全球极客挚爱的技术成长平台

PS：作者水平有限，如有错误或描述不当的地方，恳请及时告诉作者，作者将不胜感激

最小覆盖

🔒题目

原题链接：76.最小覆盖子串

🔑题解

• 解法一：滑动窗口算法

  滑动窗口算法也写了好多遍了，这里就不再多做解释上，直接上代码

  

  PS：上面的动图来自LeetCode官方题解，我感觉特别好，就没有自己制作动图了，直接把它的录制下来了

  滑动窗口主要思路：

  • Step1：定义窗口。定义左右指针，一个是窗口左边界，一个是窗口右边界

  • Step2：滑动窗口。

    1. 扩充窗口，滑动右指针，判断窗口中的元素是否符合条件，不符合条件继续扩充窗口
    2. 缩小窗口，滑动左指针，判断窗口中的元素是否符合条件，符合条件继续缩小窗口

    经过1.和2.不断迭代，最终让左右指针构造的窗口从左往右滑动起来，然后就能取得我们需要的极值

  总的来说，滑动窗口思想还剩很简单的，核心是对于窗口条件扩充和缩小条件的判断

  import java.util.HashMap;
  import java.util.Map;
  
  /**
   * @author ghp
   * @title 最小覆盖子串
   */
  class Solution {
      public String minWindow(String s, String t) {
          if (s.length() < t.length()) {
              // s的长度小于t，s不可能覆盖t
              return "";
          }
          // map用于判断窗口是否可以缩小
          Map<Character, Integer> map = new HashMap<>();
          for (int k = 0; k < t.length(); k++) {
              char key = t.charAt(k);
              if (map.containsKey(key)) {
                  map.put(t.charAt(k), map.get(key) + 1);
              } else {
                  map.put(t.charAt(k), 1);
              }
          }
          // 存储窗口中的元素
          Map<Character, Integer> contains = new HashMap<>();
          for (int k = 0; k < t.length(); k++) {
              contains.put(t.charAt(k), 0);
          }
          // 左右指针
          int i = 0;
          int j = 0;
          // 记录窗口的最小长度
          int min = Integer.MAX_VALUE;
          // 记录窗口最小长度时的左右边界
          int start = -1;
          // 从做左到右滑动窗口
          while (j < s.length()) {
              if (contains.containsKey(s.charAt(j))) {
                  Character key = s.charAt(j);
                  Integer value = contains.get(key);
                  contains.put(key, value + 1);
              }
              while (isCover(map, contains)) {
                  // 窗口中的元素已经能够覆盖t，缩小窗口
                  if (min > (j - i + 1)) {
                      // 如果当前窗口的长度为最小长度，则更新start和end
                      min = j - i + 1;
                      start = i;
                  }
                  if (contains.containsKey(s.charAt(i))) {
                      // 移除左边界的元素
                      Character key = s.charAt(i);
                      Integer value = contains.get(key);
                      contains.put(key, value - 1);
                  }
                  // 滑动窗口左边界
                  i++;
              }
              // 滑动窗口右边界
              j++;
          }
          // 返回最小窗口长度的字符串（这里要判断start是否是-1，防止索引越界）
          return start == -1 ? "" : s.substring(start, start + min);
      }
  
      private boolean isCover(Map<Character, Integer> map, Map<Character, Integer> contains) {
          // 遍历map，判断当前窗口中的元素是否覆盖t
          for (Character key : map.keySet()) {
              if (map.get(key) > contains.getOrDefault(key, 0)) {
                  // 如果窗口中没有map对应等待元素 或者 窗口中的元素数量不够
                  return false;
              }
          }
          return true;
      }
  }
  

  复杂度分析：

  • 时间复杂度：最好$O(s.length)$，最坏$O(s.length\ast t.length)$
  • 空间复杂度：$O(s.length+t.legnth)$

  代码优化：

  • 时间优化：上面代码比较简单，容易理解，但是每次都需要遍历两边map集合，判断窗口是否符合条件的判断，也需要遍历一遍map集合，耗时比较就，经过提交测试，发现平均耗时高达170ms，排名也比较低。后面我们使用一个count变量来判断当前是否符合条件，从而无需遍历map集合来判别
  • 空间优化：上面代码采用了两个map集合，空间占用较多。所以我们可以单独使用一个数组，这个数组比较讲究，大小刚好是128，0₉A_Za~z 的ASCII刚好是0~128。数组是一种比较简单的数据结构，空间占用较少

  /**
   * @author ghp
   * @title 最小覆盖子串
   */
  class Solution {
      public String minWindow(String s, String t) {
          if (s.length() < t.length()) {
              return "";
          }
          int[] letter = new int[128];
          // 记录t中字符出现的次数
          for (int i = 0; i < t.length(); i++) {
              letter[t.charAt(i)]++;
          }
          int l = 0; // 窗口左边界
          int r = 0; // 窗口左右边界
          int min = Integer.MAX_VALUE; // 记录当前能够覆盖t的最小窗口的长度
          int start = -1; // 记录当前能够覆盖t的最小窗口的长度时的左边界
          int count = t.length();
          while (r < s.length()) {
              char ch = s.charAt(r);
              if (letter[ch] > 0) {
                  // 当前字符被t包含，count--
                  count--;
              }
              // 把右边的字符加入窗口
              letter[ch]--;
              if (count == 0) {
                  // 窗口中的字母已经覆盖t，判断窗口是否需要缩小
                  while (l < r && letter[s.charAt(l)] < 0) {
                      // 左侧元素已经超过了需要的次数，移除左侧元素
                      letter[s.charAt(l)]++;
                      l++;
                  }
                  if (min > r - l + 1) {
                      // 当前窗口中字符的长度为最小的，更新start和min
                      min = r - l + 1;
                      start = l;
                  }
                  // 移除左侧元素使窗口不能够覆盖t，重新开始循环
                  letter[s.charAt(l)]++;
                  l++;
                  count++;
              }
              r++;
          }
          return start == -1 ? "" : s.substring(start, start + min);
      }
  }
  

  经过提交测试，平均耗时只有大约2ms（前面的代码平均耗时170ms），空间占用42MB（前面的代码占用43MB），毫无疑问这次优化是十分值得的(●’◡’●)

  复杂度分析：

  • 时间复杂度：$O(n)$
  • 空间复杂度：$O(1)$

  其中 $n$ 为数组中元素的个数

子集

🔒题目

原题链接：78.子集

🔑题解

• 解法一：BFS

  

  import java.util.*;
  
  /**
   * @author ghp
   * @title 最小覆盖子串
   */
  class Solution {
  
      private Deque<Integer> path = new LinkedList<>();
      private Map<Integer, Integer> map;
  
      public List<List<Integer>> subsets(int[] nums) {
          List<List<Integer>> ans = new ArrayList<>();
          ans.add(Collections.emptyList());
          boolean[] vis = new boolean[nums.length];
          bfs(ans, path, vis, nums, 0);
          return ans;
      }
  
      private void bfs(List<List<Integer>> ans, Deque<Integer> path, boolean[] vis, int[] nums, int step) {
          if (path.size() > nums.length) {
              return;
          }
          for (int i = step; i < nums.length; i++) {
              if (!vis[i]) {
                  path.addLast(nums[i]);
                  vis[i] = true;
                  ans.add(new ArrayList<>(path));
                  bfs(ans, path, vis, nums, i);
                  vis[i] = false;
                  path.removeLast();
              }
          }
      }
  }
  

  复杂度分析

  时间复杂度：$O(n!)$

  空间复杂度：$O(n!+n)$

  n为nums数组的元素个数