209.最小的子数组
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,并返回其长度。如果不存在符合条件的子数组,返回 0。
示例:
输入:s = 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。
#暴力解法(双指针滑动)
接下来就开始介绍数组操作中另一个重要的方法:滑动窗口。
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。
在本题中实现滑动窗口,主要确定如下三点:
- 窗口内是什么?
- 如何移动窗口的起始位置?
- 如何移动窗口的结束位置?
窗口就是 满足其和 ≥ targer 的长度最小的 连续 子数组。
窗口的起始位置如何移动:如果当前窗口的值大于target了,窗口就要向前移动了(也就是该缩小了)。
窗口的结束位置如何移动: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。
在暴力解法中,是一个for循环i滑动窗口的起始位置,一个for循环j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。
那么问题来了, 滑动窗口的起始位置如何移动呢?这里还是以题目中的示例来举例,
target = 7, 数组是 [ 2,3,1,2,4,3 ] 来看一下查找的过程:
最后找到 4,3 是最短距离。
其实从动画中可以发现滑动窗口也可以理解为双指针法的一种!只不过这种解法更像是一个窗口的移动,所以叫做滑动窗口更适合一些。
// 暴力解法
// 时间复杂度O(n^2)
class Solution {
public:
int minSubArrayLen(int target, vector<int>& nums) {
int Sum = 0, Length = 0;
// 初始值要赋整数最大,如果赋0,在第13行,Result会一直为0
int Result = INT32_MAX;
// 存在最后一个元素恰好≥target的情况,所以i一直取到最后
for (int i = 0; i < nums.size(); ++i){
Sum = 0; // break跳出后,sum一定要置零
for (int j = i; j < nums.size(); ++j){ // 要求连续,从i的位置开始向后累加
Sum += nums[j];
if (Sum >= target){
Length = j - i + 1; // 累加的起始下标是i,终止下标是j,所以跨度为 j-i+1
Result = Length < Result ? Length : Result;
/*已经找到以当前i为起始节点累加后≥target的情况,再往后加只会让最终长度更大,
所以直接跳出j这个for循环,让i++,从下一个元素开始继续往后寻找累加 */
break;
}
}
}
// 如果result没有被赋值的话,说明没找到相加满足条件的长度,就返回0
return Result == INT32_MAX ? 0 : Result;
}
};
这种方法在力扣上,有些示例会超时。下面来看看优化后滑动窗口的方法
#滑动窗口
那么滑动窗口如何用一个for循环来完成这个操作呢。首先要思考如果用一个for循环,那么应该表示滑动窗口的起始位置,还是终止位置。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?
此时难免再次陷入暴力解法的怪圈。
所以只用一个for循环,那么这个循环的索引 j,一定是表示滑动窗口的终止位置。
sum - nums[i] 后就只剩下原滑动窗口除去起始位置的其他元素之和了,再 i++ 将窗口的起始位置后移
// 改进的滑动窗口,j仍然指向终止,i指向起始但不在用for
class Solution {
public:
int minSubArrayLen(int target, vector<int>& nums) {
int Sum = 0; // 滑动窗口数值之和
int Length = 0; // 滑动窗口的长度
int i = 0; // 滑动窗口起始位置
int Result = INT32_MAX; // 最短子序列
for (int j = i; j < nums.size(); ++j){ // 从i的位置开始向后累加
Sum += nums[j];
while(Sum >= target){
Length = j - i + 1;
Result = Length < Result ? Length : Result;
// 将原窗口起始节点移出,让i的下标后移指向下一个新起始
Sum -= nums[i++];
}
}
// 如果result没有被赋值的话,说明没找到相加满足条件的长度,就返回0
return Result == INT32_MAX ? 0 : Result;
}
};
可以发现滑动窗口的精妙之处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)。
76. 最小覆盖子串
给你一个字符串 s
、一个字符串 t
。返回 s
中涵盖 t
所有字符的最小子串。如果 s
中不存在涵盖 t
所有字符的子串,则返回空字符串 ""
。
注意:
- 对于
t
中重复字符,我们寻找的子字符串中该字符数量必须不少于t
中该字符数量。 - 如果
s
中存在这样的子串,我们保证它是唯一的答案。
示例 1:
输入:s = "ADOBECODEBANC", t = "ABC"
输出:"BANC"
示例 2:
输入:s = "a", t = "a"
输出:"a"
示例 3:
输入: s = "a", t = "aa"
输出: ""
解释: t 中两个字符 'a' 均应包含在 s 的子串中,
因此没有符合条件的子字符串,返回空字符串。
1、思路
(滑动窗口) O(n)O(n)
这道题要求我们返回字符串 s中包含字符串 t 的全部字符的最小窗口,我们利用滑动窗口的思想解决这个问题。因此我们需要两个哈希表,hs哈希表维护的是s字符串中滑动窗口中各个字符出现多少次,ht哈希表维护的是t字符串各个字符出现多少次。如果hs哈希表中包含ht哈希表中的所有字符,并且对应的个数都不小于ht哈希表中各个字符的个数,那么说明当前的窗口是可行的,可行中的长度最短的滑动窗口就是答案。
过程如下:
1、遍历 t 字符串,用 ht 哈希表记录 t 字符串各个字符出现的次数。
2、定义两个指针 j 和 i,j 指针用于收缩窗口,i 指针用于延伸窗口,则区间[ j ,i ]表示当前滑动窗口。首先让 i 和 j 指针都指向字符串 s 开头,然后枚举整个字符串s ,枚举过程中,不断增加i使滑动窗口增大,相当于向右扩展滑动窗口。
3、每次向右扩展滑动窗口一步,将 s [ i ] 加入滑动窗口中,而新加入了s [ i ],相当于滑动窗口维护的字符数加一,即hs [ s[ i ] ]++。
4、对于新加入的字符s [ i ] ,如果hs[ s[ i ] ] <= ht[ s[ i ] ],说明当前新加入的字符 s [ i ]是必需的,且还未到达字符串t所要求的数量。我们还需要事先定义一个 cnt 变量, cnt 维护的是 s 字符串[ j , i ] 区间中满足 t 字符串的元素的个数,记录相对应字符的总数。新加入的字符 s[ i ] 必需,则 cnt ++。
5、我们向右扩展滑动窗口的同时也不能忘记收缩滑动窗口。因此当hs[ s[ j ] ] > ht[ s[ j ] ]时,说明hs 哈希表中 s[ j ] 的数量多于 ht 哈希表中 s[ j ] 的数量,此时我们就需要向右收缩滑动窗口,j++并使hs[ s[ j ] ]--,即hs[s[j ++ ] ] --
6、当 cnt == t.size 时,说明此时滑动窗口包含符串 t 的全部字符。我们重复上述过程找到最小窗口即为答案。
时间复杂度分析: 两个指针都严格递增,最多移动 n 次,所以总时间复杂度是 O(n)。
class Solution {
public:
string minWindow(string s, string t) {
unordered_map<char, int> hs, ht;
for (auto c: t) ht[c] ++ ;
string res;
int cnt = 0;
for (int i = 0, j = 0; i < s.size(); i ++ ) {
hs[s[i]] ++ ;
if (hs[s[i]] <= ht[s[i]]) cnt ++ ;
while (hs[s[j]] > ht[s[j]]) hs[s[j ++ ]] -- ;
if (cnt == t.size()) {
if (res.empty() || i - j + 1 < res.size())
res = s.substr(j, i - j + 1);
}
}
return res;
}
};
PS:
unordered_map是一个将key和value关联起来的容器,它可以高效的根据单个key值查找对应的value。
unordered_map存储元素时是没有顺序的,只是根据key的哈希值,将元素存在指定位置,所以根据key查找单个value时非常高效,平均可以在常数时间内完成。
unordered_map查询单个key的时候效率比map高,但是要查询某一范围内的key值时比map效率低。
头文件:#include<unordered_map>