leetcode 209 3 滑动窗口
2024-09-03 18:10:20
class Solution { public: int minSubArrayLen(int s, vector<int>& nums) { ,r=-; //由于数组是[]区间,所以这样使之不包含任何元素 ; //记录长度 ; //记录子数组的和 while(l< nums.size()) //滑动过程,每一次while都走一步 { <nums.size()&&sum<s)//同时保证有边界到底后不再继续拓展 sum+=nums[++r]; else sum-=nums[l++]; if(sum>=s) //每步生成子数组都判断条件 res=min(res,r-l+); } ) ;//没有更新,就是无解,就返回0 else return res; } };
这是一道与连续子数组相关的问题,如果尝试用暴力求解,每次遍历得到子数组,则是O(n^3)。
为什么考虑用滑动窗口?
因为滑动窗口能不遗漏的获取连续子数组(这里的连续很关键),并且,如果窗口步长为1,则可以对每一种情况都进行条件判断,随时更新。
具体实现思路:
- 对于某一子数组[i,j],考虑其内部元素是否达到要求,未达到要求,则扩大数组,考虑到数组应是从头开始的,所以扩张时是对j扩张,每一次扩张都获得一个新子数组,之后进行子数组条件判断,只要没达到要求,就再扩张j,直到达到要求。
- 倘若达到要求了,那么记录下这一长度。可是单纯达到要求还不够呀,因为我们要的是对所有的连续子数组进行遍历查看。
- 于是保持j不变,使i++,这样获得了一个新的子数组,重复子数组条件判断,仍然满足要求,则更新长度,若没有满足要求了,就又回到1.
总结:
简单来说,滑动窗口就是一种以单步走保证每种情况不遗漏的解法,最后时间复杂度只是O(n)(正比于走的路子2n)。
再来看leetcode 3。
class Solution { public: int lengthOfLongestSubstring(string s) { ]={}; ,r=-; ; while(l<s.size()) { <s.size() && freq[s[r+]]==) { r++; freq[s[r]]++; } else { freq[s[l++]]--; } res=max(res,r-l+); } return res; } };
可以看出,滑动窗口的模板是相对比较固定的。
对于一个滑动窗口,最大的循环是while(l<s.size()),是为了使得左边界也到达最大。之后是if(r+1<s.size() && freq[s[r+1]]==0),前半边是为了右边界在达到最大时不再继续扩张。
而这一if else循环是为了变动滑动窗口。
最新文章
- python常用模块
- mongodb 3.x 之实用新功能窥看[2] ——使用$lookup做多表关联处理
- 《HelloGitHub月刊》第07期
- Android Message里传送的数据[转]
- 利用MyEclipse自动创建PO类、hbm文件(映射文件)、DAO
- SQLite的简单应用
- ajax学习笔记1
- MIST
- Deep Learning 学习随记(四)自学习和非监督特征学习
- replace 全局替换 和 数组去空
- 【前端】ACE Editor 简易使用示例
- java容器类分析:Collection,List,ArrayList
- 请求超时VUE axios重新再次请求
- BufferedStream说明
- [2017-7-27]Android Learning Day5
- 【PMP】变更流程图与说明
- Entries missing in table T028G T-CODE: OT51 SAP 传输配置操作为用户操作 SAP网银接口
- 获取 SharpSvn 执行 svn 操作的实时日志
- Duilib应用修改程序图标方法(转载)
- 解决Android SDK Manager更新时出现问题