滑动窗口与动态规划：解决无重复字符子串与股票收益问题

1. 无重复字符的最长子串问题解析

无重复字符的最长子串（Longest Substring Without Repeating Characters）是字符串处理中的经典问题，也是技术面试中的高频考题。给定一个字符串，我们需要找到其中不含有重复字符的最长子串的长度。

1.1 问题定义与示例

假设我们有一个字符串 "abcabcbb"，那么最长的无重复字符子串是 "abc"，其长度为3。另一个例子是 "bbbbb"，最长子串就是 "b" 本身，长度为1。

这个问题看似简单，但要高效解决需要考虑多种边界情况：

• 空字符串的情况
• 全相同字符的字符串
• 包含各种Unicode字符的情况
• 大小写是否敏感（通常题目会说明）

1.2 暴力解法分析

最直观的解法是暴力枚举所有可能的子串，然后检查是否有重复字符：

python复制def lengthOfLongestSubstring(s: str) -> int:
    n = len(s)
    ans = 0
    for i in range(n):
        for j in range(i+1, n+1):
            if allUnique(s, i, j):
                ans = max(ans, j-i)
    return ans

def allUnique(s, start, end):
    chars = set()
    for i in range(start, end):
        if s[i] in chars:
            return False
        chars.add(s[i])
    return True

这种方法的时间复杂度是O(n³)，空间复杂度是O(min(n,m))，其中m是字符集大小。显然这在处理长字符串时效率极低。

1.3 滑动窗口优化

更高效的解法是使用滑动窗口技术。滑动窗口是处理数组/字符串子区间问题的常用技巧，通过维护一个窗口，在满足条件时扩展窗口，不满足时收缩窗口。

python复制def lengthOfLongestSubstring(s: str) -> int:
    n = len(s)
    ans = 0
    char_index = {}  # 存储字符最后出现的位置
    left = 0
    
    for right in range(n):
        if s[right] in char_index:
            left = max(char_index[s[right]] + 1, left)
        ans = max(ans, right - left + 1)
        char_index[s[right]] = right
    
    return ans

这个算法的时间复杂度降到了O(n)，空间复杂度仍然是O(min(n,m))。关键在于当遇到重复字符时，如何快速调整窗口的左边界。

提示：在实际面试中，建议先解释暴力解法，再提出优化思路，最后给出滑动窗口的实现。这种循序渐进的方式能展示你的问题解决能力。

1.4 边界情况处理

在实际编码中，有几个边界情况需要特别注意：

1. 空字符串输入应返回0
2. 字符串中可能包含空格、数字或特殊字符
3. Unicode字符的处理（Python3中字符串默认是Unicode）
4. 大小写是否视为相同字符（通常题目会说明）

2. 带冷却期的股票最大收益问题

Maximum Profit with Cooldown（带冷却期的股票最大收益）是动态规划在金融问题中的一个典型应用。给定一个股票价格数组，其中第i个元素是第i天的股票价格。设计算法计算最大收益，交易规则如下：

• 可以完成任意次交易
• 卖出股票后有一天冷却期不能买入
• 不能同时参与多笔交易（必须在再次购买前卖出之前的股票）

2.1 问题建模与状态定义

这类问题通常用动态规划解决，关键在于正确定义状态。我们可以定义三种状态：

1. hold[i]：第i天结束时持有股票的最大收益
2. sold[i]：第i天结束时刚卖出股票的最大收益
3. rest[i]：第i天结束时处于冷却期或不持有股票的最大收益

状态转移方程为：

• hold[i] = max(hold[i-1], rest[i-1] - prices[i])
• sold[i] = hold[i-1] + prices[i]
• rest[i] = max(rest[i-1], sold[i-1])

最终结果是max(sold[n-1], rest[n-1])，因为最后一天持有股票没有意义。

2.2 动态规划实现

python复制def maxProfit(prices):
    if not prices:
        return 0
    
    n = len(prices)
    hold = [0] * n
    sold = [0] * n
    rest = [0] * n
    
    hold[0] = -prices[0]
    
    for i in range(1, n):
        hold[i] = max(hold[i-1], rest[i-1] - prices[i])
        sold[i] = hold[i-1] + prices[i]
        rest[i] = max(rest[i-1], sold[i-1])
    
    return max(sold[-1], rest[-1])

这个解法的时间复杂度是O(n)，空间复杂度也是O(n)。可以通过观察发现，每一天的状态只依赖于前一天的状态，因此可以优化空间复杂度到O(1)。

2.3 空间优化版本

python复制def maxProfit(prices):
    if not prices:
        return 0
    
    hold = -prices[0]
    sold = 0
    rest = 0
    
    for i in range(1, len(prices)):
        prev_hold = hold
        hold = max(hold, rest - prices[i])
        rest = max(rest, sold)
        sold = prev_hold + prices[i]
    
    return max(sold, rest)

注意：这类动态规划问题容易混淆状态转移的条件。建议在纸上画出状态转移图，明确每个状态的来源和去向。

3. 两个问题的对比与联系

虽然这两个问题看似不同，一个来自字符串处理，一个来自动态规划，但它们都体现了算法设计中的一些共通思想：

3.1 滑动窗口与状态机

无重复字符问题中的滑动窗口可以看作是一种特殊的状态机，窗口内的字符集合就是状态。而股票问题中的三种状态（hold、sold、rest）也是状态机的体现。

3.2 时间复杂度优化

两个问题都经历了从暴力解法到优化解法的过程：

• 无重复字符：从O(n³)到O(n)
• 股票问题：从O(n²)的递归到O(n)的DP

这种优化思路在解决其他问题时也很有借鉴意义。

3.3 实际应用场景

这两个问题都有实际应用价值：

• 无重复字符子串可用于文本分析、密码学等领域
• 带冷却期的股票交易模型直接对应现实中的交易策略

4. 解题技巧与常见错误

4.1 无重复字符问题的陷阱

1. 忽略字符大小写：题目是否说明大小写敏感？
2. 错误处理空字符串：总是先检查输入是否为空
3. 滑动窗口边界更新错误：left = max(...)而不是直接赋值
4. 使用数组而非哈希表记录位置：对于Unicode字符集效率低

4.2 股票问题的易错点

1. 状态定义不完整：漏掉rest状态
2. 冷却期处理错误：必须在卖出后隔一天才能买
3. 初始化错误：hold[0]应为-prices[0]
4. 空间优化时变量覆盖问题：需要临时保存前一个值

4.3 调试建议

对于这类问题，建议：

1. 先手动计算小测试用例
2. 打印中间状态变量（如滑动窗口的左右边界、DP表）
3. 画状态转移图理清逻辑
4. 考虑极端情况（空输入、单元素、全相同元素等）

我在实际面试和编码中发现，很多同学能够写出大致正确的代码，但在边界条件和状态转移上容易出错。建议在写完代码后，专门花时间检查这些关键点。