滑动窗口-普通队列以及单调队列解法

本文详细介绍了滑动窗口算法及其在普通队列和单调队列中的应用,包括使用C++实现的代码示例。普通队列的时间复杂度为O(n^2),而单调队列则优化至O(n),特别适用于寻找滑动窗口内的最小和最大值。

这篇文章倾向于自用-代码是手撸源码,可以运行

普通队列

用i j作为窗口的边界
维护i到j ,找到以i到j为边界的min 和 max 并保存下来即可。

时间复杂度O(n^2) 不能AC

#include<iostream>
using namespace std;
const int N=1000000;
int a[N+10];
int n;
int k;
int min_a[N+10];
int max_a[N+10];
int sum=0;
void solve(){
    int i=0,j=k-1;
    for(;j<n;i++,j++){
        //find i-j   max min
        int min_num=a[k],max_num=a[k];
        for(int k=i;k<=j;k++){
            if(a[k]<min_num){
                min_num=a[k];
            }
            if(a[k]>max_num){
                max_num=a[k];
            }
        }
        min_a[sum]=min_num;
        max_a[sum]=max_num;
        sum++;
    }
}

void p(){
    for(int i=0;i<sum;i++){
        cout<<min_a[i]<<" ";
    }
    cout<<endl;
    for(int i=0;i<sum;i++){
        cout<<max_a[i]<<" ";
    }
}

int main(){
    cin>>n>>k;
    for(int i=0;i<n;i++){
        cin>>a[i];
    }
    p();
    solve();
    return 0;
}

单调队列

时间复杂度O(n) 空间复杂度 O(k) AC

这里的队列和数据结构中所说的普通队列并不一样,
数据结构中的普通队列是出队只能是头部,而入队是尾部,
然而这里可以是队尾出队,学过C++STL的同学可以参照deque,
双端队列。

我们把上述的普通队列的以i到j为边界的min 和 max做一个优化。
我们维护一个队列,这个队列是单调的,既然是单调的那队头元素即是最小或者最大,我们直接取对头元素即可,不需要维护i到j,并遍历。
而普通的队列是不单调的,那么如何操作才能使他单调,以下开始描述:
单调递增队列:
对头元素是min,所以这个队列是用来获取min的。
①每次入队前,入队元素为key,那么队尾元素rear如果比key要小,那就队尾出队。
②key入队
这样就可以保证这个队列是单调递增的
单调递减队列:
判断条件相反就可以了

有一个特殊情况:
如果是递增队列,窗口大小为3,当前队列 1 ,2 ,3 ,现在key为4 这个时候①条件不会执行,也就不会出队。那么加入了4后,窗口大小已经超出,然后我们会获取队头元素1进行输出,可以这个结果并不是我们想要的,因为从上面的条件可以推出我们的原序列至少是 1 2 3 4,当key为4时,我们维护的应该是2 3 4 这三个元素 而没有1 ,因此还要加一个条件判断。
我们通过i去遍历整个数组,那么我们的队头元素下标是hh,我们会得到这么一个关系:
i-hh<k 要满足这么一个条件才可以对队列进行上面的任何操作,换句话说就是,
一旦i-hh= =k的时候意味着出现了上述的特殊情况,这个时候应该先删除队头元素,也就是队头元素出队,这样我们的窗口元素就满足要求。
C++实现传送门

C实现代码:

#include <iostream>
#include <queue>
#include <algorithm>
using namespace std;

const int N = 10e6;
int n, k;
//a是数组     
int a[N + 10];
//q数组记录数组a的下标
int q[N + 10], hh = 0, tt = -1;

void maxn()
{
    for (int i = 1; i <= n; i++) {
        if (hh <= tt && i - q[hh] >= k)hh++;
        //非空队列   当前值比 队尾元素 大   ->出队
        while (hh <= tt && a[i] > a[q[tt]]) tt--;
        q[++tt] = i;
        if (i >= k)    cout << a[q[hh]] << " ";
    }
}

void minn()
{
    for (int i = 1; i <= n; i++) {

        if (hh <= tt && i - q[hh] >= k)hh++;

        //非空队列   当前值比 队尾元素 大   ->出队
        while (hh <= tt && a[i] < a[q[tt]]) tt--;
        q[++tt] = i;
        if (i >= k)    cout << a[q[hh]] << " ";
    }
}

int main()
{
    cin >> n >> k;
    for (int i = 1; i <= n; i++)
        cin >> a[i];
    minn();
    cout << endl;
    hh = 0, tt = -1;
    maxn();
    return 0;
}

求点赞👍👍👍
原创不易,点赞容易。
您的鼓励就是我的最大动力!!!。
本篇博客到此结束,谢谢大家观看。

滑动窗口算法单调队列的结合应用是一种高效解决特定类型问题的技术,尤其适用于需要频繁查询区间最值(最大值或最小值)的问题。这种组合在时间复杂度上具有显著优势,能够将原本较为耗时的操作优化到线性级别。 ### 应用场景 1. **滑动窗口最值问题**:当面对一个固定长度的窗口在一个数组中滑动时,要求快速得到当前窗口内的最大值或最小值。例如,“滑动窗口最大值”问题。 2. **动态规划中的优化**:某些动态规划问题中,状态转移方程涉及查找前面一段区间内的极值,此时可以使用单调队列来加速计算。 3. **资源分配和调度**:在操作系统或者网络通信等领域,处理任务队列时可能需要根据某种优先级进行调度,这时单调队列可以帮助维护这些有序的数据序列。 ### 实现方法 为了实现上述功能,单调队列通常基于双端队列(deque)构建,并且保持其内部元素呈现单调递增或递减的趋势。以滑动窗口最大值为例,下面展示如何通过单调队列来实现: ```python from collections import deque def sliding_window_max(nums, k): if not nums: return [] n = len(nums) result = [] dq = deque() # 双端队列用于存储索引 for i in range(n): # 移除超出窗口范围的元素 while dq and dq[0] < i - k + 1: dq.popleft() # 移除比当前元素小的所有元素,因为它们不可能是最大值 while dq and nums[dq[-1]] <= nums[i]: dq.pop() dq.append(i) # 等窗口填满后开始记录结果 if i >= k - 1: result.append(nums[dq[0]]) return result ``` 在这个例子中,我们维护了一个单调递减的双端队列,其中保存的是数组元素的索引。每当新元素加入队列时,会将所有小于该元素的索引从队列尾部移除,这样就保证了队列头部总是当前窗口内最大的元素对应的索引。当窗口向右滑动时,如果队列头部的索引已经不在当前窗口范围内,则将其从队列头部弹出。 这种方法的时间复杂度为O(n),因为每个元素最多被添加和删除一次[^5]。 ### 性能优势 - **时间效率**:相比传统的遍历每个窗口寻找最值的方法O(nk),使用单调队列可以将时间复杂度降低到O(n)。 - **空间效率**:虽然引入了额外的数据结构,但是由于每个元素只入队一次,因此空间复杂度也是O(n)。 通过这种方式,滑动窗口单调队列相结合不仅解决了实际问题,而且在性能上也达到了最优解之一,这使得它成为了解决这类问题的一个标准方案[^3]。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值