滑动窗口算法解析与华为OD机试实战

1. 题目背景与核心需求解析

这道来自华为OD机试的真题考察的是经典的滑动窗口算法应用。题目要求我们从一个整数数组中，找出所有连续子数组（窗口）中元素和最大的那个值。这类问题在实际工程中非常常见，比如网络流量监控、股票交易分析等场景都需要类似的计算。

举个生活中的例子：假设你连续30天记录奶茶店每日销售额，现在需要找出任意连续7天内总销售额最高的时段。这就是典型的滑动窗口求最大和问题。

2. 算法思路与复杂度分析

2.1 暴力解法及其缺陷

最直观的解法是双重循环遍历所有可能的子数组：

cpp复制int maxSum = INT_MIN;
for(int i=0; i<n; i++){
    int currentSum = 0;
    for(int j=i; j<i+k && j<n; j++){
        currentSum += nums[j];
    }
    maxSum = max(maxSum, currentSum);
}

这种方法时间复杂度为O(n*k)，当n较大时效率很低，无法通过华为OD的测试用例。

2.2 滑动窗口优化方案

更高效的解法是维护一个窗口，通过增减窗口两端元素来更新和值：

cpp复制int windowSum = 0;
for(int i=0; i<k; i++){
    windowSum += nums[i];
}
int maxSum = windowSum;

for(int i=k; i<n; i++){
    windowSum += nums[i] - nums[i-k];
    maxSum = max(maxSum, windowSum);
}

这样时间复杂度降为O(n)，空间复杂度O(1)。

关键技巧：窗口滑动时只需减去离开窗口的元素并加上新进入窗口的元素，避免重复计算。

3. C++实现细节与边界处理

3.1 完整代码实现

cpp复制#include <iostream>
#include <vector>
#include <climits>

using namespace std;

int maxSlidingWindowSum(vector<int>& nums, int k) {
    if(nums.empty() || k <=0 || k > nums.size()) 
        return 0;
    
    int windowSum = 0;
    for(int i=0; i<k; i++){
        windowSum += nums[i];
    }
    int maxSum = windowSum;
    
    for(int i=k; i<nums.size(); i++){
        windowSum += nums[i] - nums[i-k];
        maxSum = max(maxSum, windowSum);
    }
    
    return maxSum;
}

int main() {
    vector<int> nums = {1,3,-1,-3,5,3,6,7};
    int k = 3;
    cout << "最大滑动窗口和为: " << maxSlidingWindowSum(nums, k) << endl;
    return 0;
}

3.2 边界条件处理要点

1. 空数组检查：if(nums.empty())
2. 窗口大小合法性：k <=0 || k > nums.size()
3. 整数溢出：使用long类型处理大数情况
4. 全负数数组：初始值设为INT_MIN

4. 华为OD机试实战技巧

4.1 输入输出处理规范

华为OD机试通常需要处理标准输入输出：

cpp复制int main() {
    int n, k;
    cin >> n >> k;
    vector<int> nums(n);
    for(int i=0; i<n; i++){
        cin >> nums[i];
    }
    cout << maxSlidingWindowSum(nums, k);
    return 0;
}

4.2 性能优化建议

1. 使用ios::sync_with_stdio(false)加速IO
2. 预分配vector空间避免动态扩容
3. 使用局部变量而非全局变量
4. 避免不必要的函数调用

5. 算法扩展与变种

5.1 滑动窗口最小值

类似思路可以解决LeetCode 239题：

cpp复制vector<int> maxSlidingWindow(vector<int>& nums, int k) {
    deque<int> dq;
    vector<int> res;
    for(int i=0; i<nums.size(); i++){
        if(!dq.empty() && dq.front() == i-k)
            dq.pop_front();
        while(!dq.empty() && nums[dq.back()] < nums[i])
            dq.pop_back();
        dq.push_back(i);
        if(i >= k-1) res.push_back(nums[dq.front()]);
    }
    return res;
}

5.2 动态窗口大小问题

当窗口大小不固定时（如求和≥target的最短子数组），可以使用滑动窗口的变种：

cpp复制int minSubArrayLen(int target, vector<int>& nums) {
    int left = 0, sum = 0;
    int minLen = INT_MAX;
    for(int right=0; right<nums.size(); right++){
        sum += nums[right];
        while(sum >= target){
            minLen = min(minLen, right-left+1);
            sum -= nums[left++];
        }
    }
    return minLen == INT_MAX ? 0 : minLen;
}

6. 常见错误与调试技巧

6.1 典型错误案例

1. 窗口索引越界：

cpp复制// 错误写法
for(int i=0; i<=n-k; i++){  // 当k=0时出错
    // ...
}

2. 初始值设置不当：

cpp复制int maxSum = 0;  // 当所有数为负数时出错

6.2 调试建议

1. 打印窗口位置和当前和值：

cpp复制cout << "窗口[" << i-k+1 << "," << i << "] 和=" << windowSum << endl;

2. 使用边界测试用例：

• 空数组
• k=0
• k=n
• 全负数数组
• 大数测试

7. 华为OD备考建议

1. 重点掌握以下数据结构：

• 数组/字符串处理
• 哈希表应用
• 栈/队列/堆
• 链表操作
• 二叉树遍历

2. 高频算法题型：

• 滑动窗口
• 双指针
• 深度优先搜索
• 动态规划
• 贪心算法

3. 时间分配建议：

• 5分钟理解题意
• 10分钟设计算法
• 15分钟编码实现
• 5分钟测试调试

在实际编码时，我习惯先写出暴力解法确保理解正确，再逐步优化。对于滑动窗口问题，特别注意窗口的左右边界移动条件，这是最容易出错的地方。华为OD的测试用例往往包含一些极端情况，务必在提交前自行测试各种边界条件。