(Java)leetcode-76 Minimum Window Substring(最小覆盖子串)

题目描述

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: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"
 

提示:
1 <= s.length, t.length <= 105
s 和 t 由英文字母组成

思路:滑动窗口

如果我们使用暴力解法,代码大概是这样的:

for (int i = 0; i < s.size(); i++)
    for (int j = i + 1; j < s.size(); j++)
        if s[i:j] 包含 t 的所有字母:
            更新答案

思路很直接,但是显然,这个算法的复杂度肯定大于 O(N^2) 了,不好。
与leetcode-5相似,此题可用滑动窗口算法解决,从而实现O(N) 的时间复杂度。

滑动窗口算法的思路是这样:

1、在字符串S中使用双指针中的左右指针技巧,初始化left = right = 0,把索引左闭右开区间[left, right)称为一个「窗口」。

2、先不断地增加right指针扩大窗口[left, right),直到窗口中的字符串符合要求(包含了T中的所有字符)。

3、此时,停止增加right,转而不断增加left指针缩小窗口[left, right),直到窗口中的字符串不再符合要求(不包含T中的所有字符了)。同时,每次增加left,都要更新一轮结果。

4、重复第 2 和第 3 步,直到right到达字符串S的尽头。

这个思路其实也不难,第 2 步相当于在寻找一个「可行解」,然后第 3 步在优化这个「可行解」,最终找到最优解,也就是最短的覆盖子串。左右指针轮流前进,窗口大小增增减减,窗口不断向右滑动,这就是「滑动窗口」这个名字的来历。

滑动窗口算法框架

/* 滑动窗口算法框架 */
void slidingWindow(string s, string t) {
    HashMap<Character, Integer> need,window;

    for (int i = 0; i < t.length(); i++) {
    	// 初始化目标map
    }

    int left = 0, right = 0;
    int valid = 0; 

    while (right < s.length()) {
        // c 是将移入窗口的字符
        char c = s.charAt(right);
        // 右移窗口
        right++;
        // 进行窗口内数据的一系列更新(增加window这个map中的计数)
        ...

        /*** debug 输出的位置 ***/
        System.out.printf("window: %d, %d", left, right);
        /********************/

        // 判断左侧窗口是否要收缩
        while (window needs shrink) {
            // d 是将移出窗口的字符
            char d = s.charAt(left);
            // 左移窗口
            left++;
            // 进行窗口内数据的一系列更新(减少window这个map中的计数)
            ...
        }
    }
    // 返回结果
}

本题中的滑动窗口

首先,初始化window和need两个哈希表,记录窗口中的字符需要凑齐的字符
然后,使用left和right变量初始化窗口的两端,不要忘了,区间[left, right)是左闭右开的,所以初始情况下窗口没有包含任何元素;
其中valid变量表示窗口中满足need条件的字符个数,如果valid和need.size的大小相同,则说明窗口已满足条件,已经完全覆盖了串T。

现在开始套模板,只需要思考以下四个问题:

1、当移动right扩大窗口,即加入字符时,应该更新哪些数据?
2、什么条件下,窗口应该暂停扩大,开始移动left缩小窗口?
3、当移动left缩小窗口,即移出字符时,应该更新哪些数据?
4、我们要的结果应该在扩大窗口时还是缩小窗口时进行更新?

如果一个字符进入窗口,应该增加window计数器;如果一个字符将移出窗口的时候,应该减少window计数器;当valid满足need时应该收缩窗口;应该在收缩窗口前更新最终结果。

下面是完整代码:

class Solution {
    public String minWindow(String s, String t) {
    	HashMap<Character, Integer> need = new HashMap<>();
    	HashMap<Character, Integer> window = new HashMap<>();
    	// 初始化目标字符
	    for (int i = 0; i < t.length(); i++) {
	    	need.put(t.charAt(i), need.getOrDefault(t.charAt(i), 0) + 1);
	    }

	    int left = 0, right = 0;
	    int valid = 0;
	    // 记录最小覆盖子串的起始索引及长度
	    int start = 0, len = Integer.MAX_VALUE;
	    while (right < s.length()) {
	        // c 是将移入窗口的字符
	        char c = s.charAt(right);
	        // 右移窗口
	        right++;
	        // 进行窗口内数据的一系列更新
	        if (need.containsKey(c)) {
	            window.put(c , window.getOrDefault(c, 0) + 1);
	            if (window.get(c).equals(need.get(c))) {
                    valid++;
                }                
	        }
            
	        // 判断左侧窗口是否要收缩
	        while (valid == need.size()) {
	            // 在这里更新最小覆盖子串
	            if (right - left < len) {
	                start = left;
	                len = right - left;
	            }
	            // d 是将移出窗口的字符
	            char d = s.charAt(left);
	            // 左移窗口
	            left++;
	            // 进行窗口内数据的一系列更新
	            if (need.containsKey(d)) {
	                if (window.get(d).equals(need.get(d)))
	                    valid--;
	                window.put(d , window.get(d) - 1);
	            }                    
	        }
    }
    // 返回最小覆盖子串
    return len == Integer.MAX_VALUE ?
        "" : s.substring(start, start+len);
    }
}

时间复杂度O(n)
空间复杂度O(c)c为字符集大小

这里需要注意的一点是【判断字符相等】,若使用window.get(char)== need.get(char),会出现leetcode最后一个测试用例【超长字符串】通不过的情况,要明白一件事:
Integer是对象!
Integer会缓存频繁使用的数值,数值范围为-128到127,在此范围内直接返回缓存值,超过该范围就会new 一个对象!此时用“==”判断就会出现字符一样但返回false的情况!
因此判断Integer相等应该用equals()

回到算法本身,当我们发现某个字符在window的数量满足了need的需要,就要更新valid,表示有一个字符已经满足要求。而且,你能发现,两次对窗口内数据的更新操作是完全对称的。

当valid == need.size()时,说明T中所有字符已经被覆盖,已经得到一个可行的覆盖子串,现在应该开始收缩窗口了,以便得到「最小覆盖子串」。

移动left收缩窗口前,窗口内的字符都是可行解,所以应该在收缩窗口的阶段进行最小覆盖子串的更新,以便从可行解中找到长度最短的最终结果。

用数组代替哈希表

class Solution {
    public String minWindow(String s, String t) {
    	int[] need = new int[128], window = new int[128];
    	int count = 0;
    	// 初始化目标字符
	    for (int i = 0; i < t.length(); i++) {
	    	need[t.charAt(i)]++;
	    }
	    int left = 0, right = 0;

	    // 记录最小覆盖子串的起始索引及长度
	    int start = 0, len = Integer.MAX_VALUE;
	    while (right < s.length()) {
	        // c 是将移入窗口的字符
	        char c = s.charAt(right);
	        // 右移窗口
	        right++;
	        // 进行窗口内数据的一系列更新
	        if (need[c] > 0) {
	            window[c] += 1;
	            if (window[c] < need[c]) {
                    count++;
                }                
	        }
            
	        // 判断左侧窗口是否要收缩
	        while (count == t.length()) {
	            // 在这里更新最小覆盖子串
	            if (right - left < len) {
	                start = left;
	                len = right - left;
	            }
	            // d 是将移出窗口的字符
	            char d = s.charAt(left);
	            // 左移窗口
	            left++;
	            // 进行窗口内数据的一系列更新
	            if (need[d] > 0) {
	                if (window[d] == need[d])
	                    count--;
	                window[d]--;
	            }                    
	        }
    }
    // 返回最小覆盖子串
    return len == Integer.MAX_VALUE ?
        "" : s.substring(start, start+len);
    }
}

空间复杂度O(1)

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“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