滑动窗口算法：高效解决连续子序列问题-代码聚汇网

滑动窗口算法：高效解决连续子序列问题

互联网编程

1. 滑动窗口算法概述

滑动窗口（Sliding Window）是算法领域中一种经典的优化技术，特别适合处理数组或字符串中的连续子序列问题。我第一次接触这个概念是在解决LeetCode上的"最大无重复字符子串"问题时，当时暴力解法的时间复杂度高达O(n²)，而采用滑动窗口后直接优化到O(n)。

这种算法的核心思想是维护一个动态变化的窗口（通常由左右指针表示），通过调整窗口边界来寻找满足条件的解。就像我们通过调整相机取景框来捕捉不同范围的画面一样，滑动窗口让我们能够高效地扫描数据集中所有可能的连续区间。

2. 不定长滑动窗口的特点

2.1 与定长窗口的区别

定长滑动窗口的窗口大小固定不变，比如经典的"大小为K的子数组最大和"问题。而不定长滑动窗口的窗口尺寸会根据条件动态调整，这使得它能解决更复杂的问题场景。

2.2 典型应用场景

字符串匹配（最小覆盖子串）
无重复字符的最长子串
满足特定条件的最短连续子数组
包含所有指定字符的最短窗口

3. 基础实现框架

3.1 双指针实现

不定长滑动窗口通常采用双指针（快慢指针）实现，基本框架如下：

python复制def sliding_window(s):
    left = 0
    window = {}  # 用于记录窗口内元素状态
    result = 0   # 存储最终结果
    
    for right in range(len(s)):
        # 1. 将右指针元素加入窗口
        window[s[right]] = window.get(s[right], 0) + 1
        
        # 2. 当窗口不满足条件时，移动左指针
        while 窗口需要收缩的条件:
            # 更新结果（根据具体问题）
            # 移除左指针元素
            window[s[left]] -= 1
            if window[s[left]] == 0:
                del window[s[left]]
            left += 1
        
        # 3. 更新结果（根据具体问题）
        result = max(result, right - left + 1)
    
    return result

3.2 关键参数解析

left：窗口左边界，初始为0
right：窗口右边界，通过循环逐步右移
window：记录当前窗口状态的哈希表
result：存储最优解的变量

4. 经典问题实战解析

4.1 无重复字符的最长子串

这是LeetCode第3题，典型的不定长滑动窗口应用。

python复制def lengthOfLongestSubstring(s):
    left = 0
    max_len = 0
    char_index = {}  # 记录字符最后出现的位置
    
    for right in range(len(s)):
        if s[right] in char_index:
            # 确保left不会回退
            left = max(left, char_index[s[right]] + 1)
        char_index[s[right]] = right
        max_len = max(max_len, right - left + 1)
    
    return max_len

关键点：当发现重复字符时，直接将left跳到该字符上次出现位置的下一位，避免无效检查。

4.2 最小覆盖子串

LeetCode第76题，难度较大的滑动窗口应用。

python复制def minWindow(s, t):
    from collections import defaultdict
    
    need = defaultdict(int)
    for c in t:
        need[c] += 1
    
    left = 0
    valid = 0  # 满足条件的字符数
    min_len = float('inf')
    result = ""
    window = defaultdict(int)
    
    for right in range(len(s)):
        c = s[right]
        if c in need:
            window[c] += 1
            if window[c] == need[c]:
                valid += 1
        
        while valid == len(need):
            if right - left + 1 < min_len:
                min_len = right - left + 1
                result = s[left:right+1]
            
            d = s[left]
            if d in need:
                if window[d] == need[d]:
                    valid -= 1
                window[d] -= 1
            left += 1
    
    return result

5. 性能优化技巧

5.1 哈希表选择

根据字符集大小选择合适的哈希结构：

ASCII字符（128个）：直接用数组[0]*128更高效
Unicode字符：使用Python的defaultdict或dict
仅字母：可以用[0]*26，通过ord(c)-ord('a')计算索引

5.2 边界条件处理

空字符串输入
所有字符都相同的情况
没有满足条件的解时返回空串或特定值

5.3 循环不变式

保持循环中这些性质始终成立：

窗口[left, right]始终满足问题条件（或正在尝试满足）
result始终记录当前找到的最优解
窗口状态变量（如window字典）准确反映当前窗口内容

6. 常见错误与调试

6.1 指针移动错误

典型错误案例：

python复制# 错误：left直接赋值为right，丢失中间可能解
if s[right] in window:
    left = right

正确做法应该是逐步收缩左边界，确保不遗漏任何可能的解。

6.2 状态更新不及时

忘记在移动指针时更新窗口状态：

python复制while 收缩条件:
    left += 1
    # 忘记更新window字典！

6.3 初始条件设置

未正确处理初始状态可能导致第一个窗口判断错误：

python复制# 应该在进入循环前初始化第一个元素的状态
window = {}
left = 0
for right in range(len(s)):
    # 缺少对s[right]的初始处理

7. 复杂度分析

7.1 时间复杂度

虽然代码中有嵌套循环，但每个元素最多被左右指针各访问一次，因此大多数不定长滑动窗口算法的时间复杂度都是O(n)。

7.2 空间复杂度

主要取决于额外使用的哈希表大小：

固定字符集（如字母）：O(1)
可能包含所有字符：O(n)

8. 模式识别

当遇到以下特征时，考虑使用不定长滑动窗口：

问题涉及数组/字符串的连续子序列
需要寻找满足特定条件的最长/最短区间
暴力解法涉及嵌套循环检查所有可能子序列

9. 扩展练习建议

先掌握基础模板，理解每个步骤的作用
从简单问题开始（如无重复字符的最长子串）
逐步挑战更复杂场景（如包含重复元素的最长子串）
尝试自己推导窗口收缩条件
用白板手动模拟算法执行过程

我在实际刷题中发现，真正掌握滑动窗口的关键不是记忆模板，而是理解窗口扩张和收缩的时机。建议每解决一个问题后，用纸笔画出窗口变化过程，这比单纯AC题目收获更大。