leetcode:滑动窗口的最大值

5.23 滑动窗口的最大值

题目描述:
给定一个数组 nums,有一个大小为 k 的滑动窗口从数组的最左侧移动到数组的最右侧。你只可以看到在滑动窗口 k 内的数字。滑动窗口每次只向右移动一位。
返回滑动窗口最大值。
示例:
输入: nums = [1,3,-1,-3,5,3,6,7], 和 k = 3
**输出: **[3,3,5,5,6,7]
解释:

滑动窗口的位置 最大值
--------------- -----
[1 3 -1] -3 5 3 6 7 3
1 [3 -1 -3] 5 3 6 7 3
1 3 [-1 -3 5] 3 6 7 5
1 3 -1 [-3 5 3] 6 7 5
1 3 -1 -3 [5 3 6] 7 6
1 3 -1 -3 5 [3 6 7] 7

解法一:双端队列(最优解法)

  1. 将前k个元素入队,也就是将1,3,-1 入队,因为我们要保持最左边的元素为最大元素,则我们可以将1出队,此时队列从[1,3,-1]变为[3,-1],结果集数组为[3],继续移动窗口。

图片

  1. 将-3入队,此时队列为[3,-1,-3],则此时最大值依然是3,结果集为[3,3],继续移动窗口。

图片
3. 将5入队,此时队列为[-1.-3.5],则我们将左边比5小的元素都出队,则队列变为[5],则此时5是这个队列的最大值。结果集为[3,3,5],继续移动窗口。

图片
4. 将3入队,此时队列为[5,3],此时5为队列最大值,结果集为[3,3,5,5],继续移动窗口。

图片
5. 将6入队,此时队列为[5,3,6],则将左边比6小的元素出队,队列变为[6],此时队列最大值为6,结果集为[3,3,5,5,6],继续移动窗口。
图片
6. 将7入队,此时队列为[6,7],此时队列最大值为7,将左边比7小的元素出队,此时队列最大值为7,结果集为[3,3,5,5,6,7] 结束 。

图片

时间复杂度分析:
对于入队和出队操作,时间复杂度为O(1),一共进行n次,则时间复杂度为O(n),整体时间复杂度为O(n),比优先队列的解法好。
代码步骤:
1 出队操作(如果队列中保存的数组小标比移动窗口要小,则要移出队列)
2 入队的判断(如果大于队列中的元素,将队列其他元素出队,该元素入队)
3 加入队列(注意,加入的是数组的下标,不是数组值)
4 加入结果集数组
代码:

/**
 * 描述: 滑动窗口最大值
 * <p>
 * 思路: 
 *      解法一: 使用双端队列实现
 *      解法二: 使用优先队列(最大堆)
 * 
 *
 * @author pengjie_yao
 * @date 2019/7/19 20:36
 */
public class MaxSlidingWindow {
 
    public static void main(String[] args) {

        int[] array = new int[]{1, 3, -1, -3, 5, 3, 6, 7};
        int[] maxarray =  dequeueWindow(array,3);

        System.out.println(Arrays.toString(maxarray));
    }
  
    /**
     *  双端队列实现
     * @param array
     * @param k
     * @return
     */
    public static int[] dequeueWindow(int[] array, int k) {
        if (array.length == 0) {
            return new int[]{};
        }
        int[] maxArray = new int[array.length - k + 1];
        Deque<Integer> deque = new ArrayDeque();
        for (int i = 0; i < array.length; i++) {
            // 1.出队操作,当移入元素,则对应的元素位置应该出队
            if (i >= k && i - k + 1 > deque.peek()) {
                deque.remove();
            }

            // 2. 右移入判断,如果左边元素比右边元素小,则全部移出
            while (!deque.isEmpty()  && array[i] > array[deque.peekLast()]) {
                deque.removeLast();
            }
            // 3.将数组下标加入数组
            deque.add(i);
            // 4. 将值放入结果数组
            if (i - k + 1 >= 0) {
                maxArray[i-k+1] = array[deque.peek()];
            }

        }
        return maxArray;

    }
}

解法二: 优先队列(基于最大堆)
我们依然以数组[1,3,-1,-3,5,3,6,7],且k=3为例进行讲解。
1 将前三个元素加入最大堆中,此时堆顶元素为3,则结果数组[3]
图片
2 窗口继续右移,则此时我们要做的是将1移除堆,并且将-3移入堆并调整堆,此时堆顶元素为3,则数组[3,3]
图片
4 窗口继续右移,元素5入堆,元素3从堆中删除,调整堆,此时堆顶元素为5,则数组为[3,3,5]
图片
5。 窗口继续右移,元素3入堆,元素-1从堆中删除,调整堆,此时堆顶元素为5,则数组为[3,3,5,5]
图片

  1. 窗口继续右移,元素6入堆,元素-3出堆,调整堆,此时堆顶元素为6,则数组为[3,3,5,5,6]

图片
窗口 右移,元素7入堆,元素3从堆中删除,调整堆,此时堆顶元素为7,则数组为[3,3,5,5,6,7]图片
代码如下:

/**
 * 描述: 滑动窗口最大值
 * <p>
 * 思路:
 *      解法一: 使用双端队列实现
 *      解法二: 使用优先队列(最大堆)
 *
 *
 * @author pengjie_yao
 * @date 2019/7/19 20:36
 */
public class MaxSlidingWindow {

    public static void main(String[] args) {

        int[] array = new int[]{1, 3, -1, -3, 5, 3, 6, 7};
        int[] maxarray =  maxSlidingWindow(array,3);

        System.out.println(Arrays.toString(maxarray));
    }

    /**
     * 优先队列: 最大堆
     *
     * @param array
     * @param k
     */
    public static int[] maxSlidingWindow(int[] array, int k) {

        PriorityQueue<Integer> priorityQueue = new PriorityQueue(new Comparator<Integer>() {
            @Override
            public int compare(Integer o1, Integer o2) {
                return o2 - o1;
            }
        });

        // 1.堆数组为空进行判断
        if (array.length == 0) {
            return new int[]{};
        }
        // 结果数组,用来存储返回的结果集数组
        int[] maxArray = new int[array.length - k + 1];
        // 2. 遍历数组,并放入堆中
        for (int i = 0; i < array.length; i++) {
            // 将元素加入堆中
            priorityQueue.offer(array[i]);
            // 3. 当堆中的元素大于或者等于k的时候,将堆顶元素放入结果数组,并删除堆中元素
            if (i + 1 >= k) {
                maxArray[i - k + 1] = priorityQueue.peek();
                priorityQueue.remove(array[i - k+1]);
            }
        }
        return maxArray;
    }

   
}

以上解法,采用优先队列,则时间复杂度为O(logk),遍历时间复杂度为O(n),则总时间复杂度为O(nlogk)

  • 0
    点赞
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
根据引用\[1\],可以使用暴力解法来求解滑动窗口最大值。具体的做法是,遍历数组,对于每个窗口,使用一个内部循环来找到窗口中的最大值,并将其存储在结果数组中。时间复杂度为O(n*k),其中n为数组长度,k为窗口大小。 根据引用\[2\],还可以使用队列来求解滑动窗口最大值。具体的做法是,使用一个双端队列来维护一个单调递减的窗口。遍历数组,对于每个元素,首先判断队头是否在滑动窗口范围内,如果不在,则将其从队头移除。然后,将当前元素与队尾元素比较,如果当前元素大于队尾元素,则将队尾元素移除,直到队列为空或者当前元素小于等于队尾元素。最后,将当前元素的索引插入队尾。如果滑动窗口的元素个数达到了k个,并且始终维持在窗口中,就将队头元素加入答案数组中。时间复杂度为O(n),其中n为数组长度。 综上所述,可以使用暴力解法或者使用队列来求解leetcode滑动窗口最大值。 #### 引用[.reference_title] - *1* *3* [leetcode239. 滑动窗口最大值](https://blog.csdn.net/kkkkuuga/article/details/124829581)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^koosearch_v1,239^v3^insert_chatgpt"}} ] [.reference_item] - *2* [Leetcode#239. 滑动窗口最大值 (Java解法)](https://blog.csdn.net/paranior/article/details/114890555)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^koosearch_v1,239^v3^insert_chatgpt"}} ] [.reference_item] [ .reference_list ]

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值