LeetCode 239. Sliding Window Maximum (经典双端队列dequeue题目，附加动态规划解法)

简介

题目链接 LeetCode 239. Sliding Window Maximum

本题的标签是Heap，Sliding Window和Dequeue，是滑动窗口和双端队列结合的一道经典题。本文将着重讲解双端队列解法，同时对动态规划的解法进行简单的讲解。

注意：文章中一切注解皆为Python代码

理解题目

题目非常简单。给定一个数列，和一个窗口，在窗口从左向右滑动的时候，持续计算窗口中子数列的最大值。

最暴力的解法就是在窗口滑动的过程中持续计算最大值，代码就一行，如下

class Solution:
    def maxSlidingWindow(self, nums: 'List[int]', k: 'int') -> 'List[int]':
        return [max(nums[i-k:i]) for i in range(k, len(nums)+1)]

很明显，暴力解法需要的时间复杂度是O(NK)，其中N是数据规模，K是窗口大小。如果窗口大小K等于N/2的话，时间复杂度可以表示为O(N^2)。对于题目中输入范围为10⁵ 这种级别，显然O(N^2)这种时间复杂度是不行的，因此需要探索其他解法。

题目剖析+思考过程

想到更优的解法其实并不难，首先我们要意识到这题的两个操作，一是遇到新数字时对当前最大值的更新，二是淘汰过期数字时对当前最大值的更新。

对于第一种情况，我们都知道一个前缀数组(prefix array)就可以解决。那么如何去淘汰过期的数字，并更新最大值呢？显然单纯的前缀数组不好使了，怎么办：

• 首先，提到“过期”可能最先想到的就是队列(queue)，先进先出
• 其次，淘汰“过期”数字后，需要选出第二大的数字，依次类推，可能还需要第三、第四、第K大的数字

那什么样的数据结构可以高效的提供这样（内容不断变化且能保持一定顺序）的信息呢？

• 堆(heap)就可以
• 单调递减的双端队列也可以

堆

这里的堆(heap)很好理解，堆的加入和删除都仅仅耗费O(logK)，并且，它时时刻刻能保证顺序；最终的时间复杂度可以近似为O(NlogN)。

那么如何去理解单调递减的双端队列呢？

单调递减双端队列

双端队列本身不用多讲，先进先出，两端都可以以O(1)的时间加入和删除；对于单调递减，我们事实上是为了维护一种单调递减的顺序，也就是之前我提到的

淘汰“过期”数字后，需要选出第二大的数字，依次类推，可能还需要第三、第四、第K大的数字

这本质上是一种单调递减的状态，看个例子：

给出数列[9,5,7,6,11]，窗口长度为3，起初单调递减队列dq为空，指针i = 0

• i = 0, dq = [9], 当前max = 9, 窗口中数列为[9], 滑动最大值还未开始计算，因为窗口内数组不满3个
• i = 1, dq = [9, 5], 当前max = 9, 窗口中数列为[9, 5], 滑动最大值还未开始计算，因为窗口内数组不满3个
• i = 2, dq = [9, 7], 当前max = 9, 窗口中数列为[9, 5, 7], 滑动最大值[9]；
  • 注意为了保证队列的单调递减性，之前的5被弹出来，7加了进去
  • 因为只要7还有没有过期，7肯定比5大
  • 而且7在5之后，肯定比5要更晚过期
• i = 3, dq = [7,