1. 问题背景与核心挑战
这道来自力扣hot100的经典题目要求我们找到字符串s中包含字符串t所有字符的最短子串。举个实际例子:假设s是"ADOBECODEBANC",t是"ABC",那么正确答案就是"BANC",因为它包含了A、B、C三个字母且是所有可能中最短的。
这类字符串匹配问题在实际开发中非常常见,比如在文本编辑器的搜索功能中,我们需要快速定位包含特定关键词的段落;在基因序列分析时,科学家需要寻找包含特定碱基组合的最短片段。这类问题的难点在于如何在保证结果正确性的同时,将时间复杂度控制在合理范围内。
需要模型API调用? 免费领10W Token,多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 滑动窗口算法解析
2.1 基础滑动窗口原理
滑动窗口算法就像在字符串上移动一个可伸缩的"望远镜",通过调整左右边界来寻找符合条件的子串。具体到这个题目,我们需要:
- 初始化左右指针left和right都指向字符串开头
- 右指针不断向右移动,直到窗口包含t的所有字符
- 然后左指针尝试右移,收缩窗口寻找更小的满足条件的子串
- 记录满足条件的最小窗口
这个过程中最关键的优化点在于如何高效判断当前窗口是否包含t的所有字符。直接的做法是每次扫描整个窗口统计字符出现次数,但这样时间复杂度会达到O(n^2),对于长字符串效率太低。
2.2 哈希表与计数器优化
更聪明的做法是使用哈希表记录t中每个字符的出现次数,并用一个计数器记录还需要匹配的字符总数。具体实现:
python复制from collections import defaultdict
def minWindow(s: str, t: str) -> str:
need = defaultdict(int)
for c in t:
need[c] += 1
need_cnt = len(t)
left = 0
res = (0, float('inf'))
for right, c in enumerate(s):
if need[c] > 0:
need_cnt -= 1
need[c] -= 1
if need_cnt == 0: # 窗口已包含所有所需字符
