1. 滑动窗口算法概述
滑动窗口（Sliding Window）是解决字符串和数组子区间问题的经典算法范式。它通过维护一个动态变化的窗口区间，在遍历过程中高效地更新和计算窗口内的状态，避免了暴力解法中大量的重复计算。
我在处理字符串相关问题时，滑动窗口往往是我的首选武器。它的时间复杂度通常能优化到O(n)，比暴力解法的O(n²)或O(n³)要高效得多。下面通过力扣hot100中的两道经典题目，带大家深入掌握这种算法的精髓。
2. 无重复字符的最长子串问题解析
2.1 问题描述与核心思路
题目要求找出给定字符串中不含有重复字符的最长子串的长度。例如：
- 输入："abcabcbb" → 输出：3（"abc"）
- 输入："bbbbb" → 输出：1（"b"）
我的解题思路是：
- 使用哈希集合（HashSet）记录当前窗口内的字符
- 维护左右指针表示窗口边界
- 右指针不断右移扩展窗口
- 当遇到重复字符时，左指针右移收缩窗口
2.2 详细实现步骤
python复制def lengthOfLongestSubstring(s: str) -> int:
char_set = set()
left = 0
max_len = 0
for right in range(len(s)):
while s[right] in char_set:
char_set.remove(s[left])
left += 1
char_set.add(s[right])
max_len = max(max_len, right - left + 1)
return max_len
关键点说明：
char_set存储当前窗口内的唯一字符- 当
s[right]已存在时，持续移动left直到移除重复字符 - 每次更新窗口后记录最大长度
2.3 复杂度分析与优化
时间复杂度：O(n) - 每个字符最多被访问两次（右指针和左指针各一次）
空间复杂度：O(min(m,n)) - 取决于字符集大小和字符串长度
实际编码时我发现，使用字典记录字符最后出现的位置可以进一步优化：
python复制def lengthOfLongestSubstring_v2(s: str) -> int:
last_seen = {}
left = 0
max_len = 0
for right, char in enumerate(s):
if char in last_seen and last_seen[char] >= left:
left = last_seen[char] + 1
last_seen[char] = right
max_len = max(max_len, right - left + 1)
return max_len
3. 字母异位词问题解析
3.1 问题理解与建模
题目要求找到字符串s中所有是p的字母异位词的子串的起始索引。字母异位词指字母相同但排列不同的字符串。
例如：
- 输入：s="cbaebabacd", p="abc"
- 输出：[0,6]（"cba"和"bac"）
我的解题思路：
- 使用固定长度的滑动窗口（长度等于p的长度）
- 维护窗口内字符的频率计数
- 比较窗口计数与目标p的计数
3.2 实现方案对比
方案一：哈希表比较法
python复制def findAnagrams(s: str, p: str) -> List[int]:
if len(p) > len(s):
return []
p_count = Counter(p)
s_count = Counter(s[:len(p)])
res = []
if s_count == p_count:
res.append(0)
for i in range(len(p), len(s)):
s_count[s[i]] += 1
s_count[s[i - len(p)]] -= 1
if s_count == p_count:
res.append(i - len(p) + 1)
return res
方案二：数组优化法
python复制def findAnagrams_v2(s: str, p: str) -> List[int]:
if len(p) > len(s):
return []
p_count = [0] * 26
s_count = [0] * 26
for c in p:
p_count[ord(c) - ord('a')] += 1
res = []
for i in range(len(s)):
s_count[ord(s[i]) - ord('a')] += 1
if i >= len(p):
s_count[ord(s[i - len(p)]) - ord('a')] -= 1
if s_count == p_count:
res.append(i - len(p) + 1)
return res
3.3 性能对比与选择
- 哈希表方案更通用，适用于Unicode字符
- 数组方案在小写字母场景下效率更高（比较操作更快）
- 实际测试中，数组方案比哈希表方案快约20%
4. 滑动窗口的通用模板
基于这两道题的解法，我总结出滑动窗口的通用模板：
python复制def sliding_window_template(s):
# 初始化数据结构存储窗口状态
window = {}
left = right = 0
while right < len(s):
# 扩展右边界
window.add(s[right])
right += 1
# 满足条件时收缩左边界
while window_needs_shrink:
window.remove(s[left])
left += 1
变体包括：
- 固定长度窗口（如字母异位词问题）
- 可变长度窗口（如无重复字符问题）
- 单指针滑动（某些特殊场景）
5. 常见错误与调试技巧
5.1 边界条件处理
- 空字符串输入
- 窗口长度大于字符串长度
- 所有字符都相同的情况
5.2 性能优化点
- 避免在窗口滑动时重复计算
- 使用更高效的数据结构（如数组代替哈希表）
- 提前终止条件（如已找到可能的最大解）
5.3 调试方法
我常用的调试技巧：
- 打印窗口的左右边界和当前状态
- 可视化窗口滑动过程（用纸笔画图）
- 对特殊测试用例单独验证
6. 滑动窗口的扩展应用
这两道题代表的两种典型场景：
- 最长子串问题：动态调整窗口大小，寻找最优解
- 固定长度匹配问题：窗口大小固定，寻找特定模式
其他应用场景包括：
- 最小覆盖子串（LeetCode 76）
- 字符串排列（LeetCode 567）
- 最大连续1的个数（LeetCode 487）
7. 算法选择的心得体会
在实际编码面试中，当我看到以下特征时，会优先考虑滑动窗口：
- 问题涉及"子串"、"子数组"等连续序列
- 需要维护某个区间内的状态
- 暴力解法涉及多重循环
滑动窗口的精髓在于：
- 通过双指针避免重复计算
- 利用哈希表或数组高效维护窗口状态
- 根据问题特点灵活调整窗口收缩条件
经过大量练习后，我现在能在看到题目后5分钟内确定是否适用滑动窗口，并快速写出框架代码。这种直觉来自于对算法本质的深刻理解。