1 class Solution { 2 public: 3 int minSubArrayLen(int s, vector<int>& nums) 4 { 5 int l=0,r=-1; //由于数组是[]区间,所以这样使之不包含任何元素 6 int res=nums.size()+1; //记录长度 7 int sum=0; //记录子数组的和 8 while(l< nums.size()) //滑动过程,每一次while都走一步 9 { 10 11 if(r+1<nums.size()&&sum<s)//同时保证有边界到底后不再继续拓展 12 sum+=nums[++r]; 13 else 14 sum-=nums[l++]; 15 16 if(sum>=s) //每步生成子数组都判断条件 17 res=min(res,r-l+1); 18 } 19 if(res==nums.size()+1) return 0;//没有更新,就是无解,就返回0 20 else return res; 21 } 22 };
这是一道与连续子数组相关的问题,如果尝试用暴力求解,每次遍历得到子数组,则是O(n^3)。
为什么考虑用滑动窗口?
因为滑动窗口能不遗漏的获取连续子数组(这里的连续很关键),并且,如果窗口步长为1,则可以对每一种情况都进行条件判断,随时更新。
具体实现思路:
- 对于某一子数组[i,j],考虑其内部元素是否达到要求,未达到要求,则扩大数组,考虑到数组应是从头开始的,所以扩张时是对j扩张,每一次扩张都获得一个新子数组,之后进行子数组条件判断,只要没达到要求,就再扩张j,直到达到要求。
- 倘若达到要求了,那么记录下这一长度。可是单纯达到要求还不够呀,因为我们要的是对所有的连续子数组进行遍历查看。
- 于是保持j不变,使i++,这样获得了一个新的子数组,重复子数组条件判断,仍然满足要求,则更新长度,若没有满足要求了,就又回到1.
总结:
简单来说,滑动窗口就是一种以单步走保证每种情况不遗漏的解法,最后时间复杂度只是O(n)(正比于走的路子2n)。
再来看leetcode 3。
1 class Solution { 2 public: 3 int lengthOfLongestSubstring(string s) 4 { 5 int freq[256]={0}; 6 int l=0,r=-1; 7 int res=0; 8 while(l<s.size()) 9 { 10 if(r+1<s.size() && freq[s[r+1]]==0) 11 { 12 r++; 13 freq[s[r]]++; 14 } 15 else 16 { 17 freq[s[l++]]--; 18 } 19 20 res=max(res,r-l+1); 21 } 22 return res; 23 } 24 };
可以看出,滑动窗口的模板是相对比较固定的。
对于一个滑动窗口,最大的循环是while(l<s.size()),是为了使得左边界也到达最大。之后是if(r+1<s.size() && freq[s[r+1]]==0),前半边是为了右边界在达到最大时不再继续扩张。
而这一if else循环是为了变动滑动窗口。