LeetCode 1224题优化：从O(n²)到O(n)的算法实践

1. 项目概述

今天想和大家分享一个我在优化LeetCode 1224题时的实战经验。这道题是"最大相等频率"，属于字符串处理类题目，在周赛和面试中都经常出现。我尝试用Qwen3-Max-Thinking这个新出的AI编程助手来优化我的初始解法，最终将时间复杂度从O(n^2)降到了O(n)，效果非常显著。

这道题的核心是给定一个字符串，找到最长的子串，使得其中每个字符出现的频率相同。比如"aabb"的最长子串是"aabb"本身，因为'a'和'b'都出现了2次；而"aabba"的最长子串是"aabb"，因为最后的'a'打破了平衡。

2. 问题分析与初始解法

2.1 题目理解与暴力解法

LeetCode 1224题要求我们找到最长的前缀子串，使得删除一个字符后，剩余字符的出现频率都相同。比如输入"aabb"，输出应该是4，因为整个字符串满足条件。

我的第一版解法是暴力枚举：

python复制def maxEqualFreq(nums):
    max_len = 0
    for i in range(1, len(nums)+1):
        freq = {}
        for num in nums[:i]:
            freq[num] = freq.get(num, 0) + 1
        values = list(freq.values())
        if len(set(values)) == 1 or (len(set(values)) == 2 and (values.count(1) == 1 or (max(values)-min(values)==1 and values.count(max(values))==1))):
            max_len = i
    return max_len

这个解法的问题很明显：时间复杂度O(n^2)，当n很大时（比如10^5）会超时。

2.2 性能瓶颈分析

通过分析，我发现主要瓶颈在于：

1. 双重循环导致时间复杂度高
2. 每次都要重新计算频率统计
3. 条件判断逻辑复杂，有多个分支

3. 使用Qwen3-Max-Thinking优化思路

3.1 Qwen3-Max-Thinking简介

Qwen3-Max-Thinking是阿里云最新推出的AI编程助手，特别擅长算法优化和代码重构。它不仅能给出优化建议，还能解释优化背后的数学原理。

我向它输入了我的初始代码和问题描述，它给出了几个关键建议：

1. 使用滑动窗口技术避免重复计算
2. 维护频率的哈希表和频率的频率表
3. 实时更新和检查条件

3.2 优化后的算法设计

基于Qwen3的建议，我重新设计了算法：

python复制def maxEqualFreq(nums):
    freq = {}  # 记录每个数字的频率
    freq_of_freq = {}  # 记录频率的频率
    max_len = 0
    
    for i, num in enumerate(nums):
        # 更新频率表
        if num in freq:
            old_freq = freq[num]
            freq_of_freq[old_freq] -= 1
            if freq_of_freq[old_freq] == 0:
                del freq_of_freq[old_freq]
        freq[num] = freq.get(num, 0) + 1
        new_freq = freq[num]
        freq_of_freq[new_freq] = freq_of_freq.get(new_freq, 0) + 1
        
        # 检查条件
        if len(freq_of_freq) == 1:
            key = next(iter(freq_of_freq))
            if key == 1 or freq_of_freq[key] == 1:
                max_len = i + 1
        elif len(freq_of_freq) == 2:
            keys = sorted(freq_of_freq.keys())
            if (keys[0] == 1 and freq_of_freq[keys[0]] == 1) or (keys[1] - keys[0] == 1 and freq_of_freq[keys[1]] == 1):
                max_len = i + 1
                
    return max_len

3.3 优化原理详解

这个优化版本的核心思想是：

1. 频率表(freq)：记录每个数字出现的次数
2. 频率的频率表(freq_of_freq)：记录各个频率值出现的次数
3. 实时更新：每次处理新数字时，动态更新这两个表
4. 条件检查：基于频率的频率表来判断是否满足题目条件

这样我们只需要一次遍历(O(n))，空间复杂度也是O(n)，完美解决了性能问题。

4. 关键优化点与实现细节

4.1 滑动窗口技术的应用

虽然这不是传统的滑动窗口问题，但我们借鉴了其思想：

• 从左到右处理每个元素
• 维护当前状态（频率统计）
• 实时判断是否满足条件

4.2 频率的频率表技巧

这是优化的关键创新点。通过维护频率的频率表，我们可以快速判断：

1. 所有频率是否相同（len(freq_of_freq) == 1）
2. 是否可以通过删除一个字符使频率相同（检查两种特殊情况）

4.3 边界条件处理

特别注意几种特殊情况：

1. 所有字符都只出现一次
2. 一个字符出现n次，其他都出现1次
3. 一个字符出现n+1次，其他都出现n次

5. 性能对比与实测结果

我在LeetCode测试平台上对比了两个版本的性能：

可以看到优化效果非常显著，特别是对于大规模数据。

6. 常见问题与调试技巧

6.1 调试过程中遇到的问题

1. 频率更新顺序错误：必须先减少旧频率的计数，再增加新频率的计数
2. 边界条件遗漏：最初漏掉了"所有字符频率为1"的情况
3. 字典操作错误：删除频率为0的项时要注意字典大小变化

6.2 Qwen3-Max-Thinking的调试建议

Qwen3提供了几个有用的调试技巧：

1. 打印中间变量：在处理每个字符后打印freq和freq_of_freq
2. 构造特殊测试用例：如全相同字符、全不同字符等
3. 逐步验证：先验证频率表正确性，再验证条件判断

7. 进一步优化空间

虽然当前解法已经足够高效，但还可以考虑：

1. 提前终止：如果剩余字符数不足以刷新最大长度，可以提前结束
2. 空间优化：如果字符集有限（如只有小写字母），可以使用数组代替哈希表
3. 并行处理：对于极大数据集，可以考虑分段处理

8. 个人经验总结

通过这次优化，我学到了几个重要经验：

1. 哈希表的组合使用：维护主表和辅助表可以解决很多统计问题
2. 实时更新优于重新计算：动态维护状态能极大提高效率
3. 善用AI工具：Qwen3-Max-Thinking不仅能给出代码，还能解释算法原理

对于LeetCode高频题，我现在的策略是：

1. 先自己写出可行解
2. 分析性能瓶颈
3. 使用Qwen3获取优化建议
4. 理解并实现优化方案

这种工作流程让我在准备面试时效率提高了不少。这道题的优化思路也可以应用到其他频率统计问题上，比如"至多包含K个不同字符的最长子串"等。