从0到1掌握滑动窗口算法：让LeetCode难题秒变简单
项目地址: https://gitcode.com/GitHub_Trending/in/interviews 你是否还在为LeetCode上的字符串匹配、子数组求和类问题烦恼？是否每次遇到"最小覆盖子串"、"最长无重复子串"都要从头构思解决方案？本文将带你系统掌握滑动窗口（Sliding Window）算法，通过一套通用模板解决80%的数组/字符串子序列问题，让你在面试中轻松应对微软、谷歌等大厂的算法题。
读完本文你将获得：
- 滑动窗口算法的核心思想与适用场景
- 一套通用解题模板，3步解决同类问题
- 5个实战案例分析，覆盖LeetCode高频考点
- 性能优化技巧，轻松应对大数据量测试用例
滑动窗口算法原理
滑动窗口算法是一种高效处理数组/字符串子序列问题的技巧，它通过维护一个"窗口"（两个指针）在序列上滑动，动态调整窗口大小来寻找满足条件的解。相比暴力枚举的O(n²)时间复杂度，滑动窗口通常能将复杂度降至O(n)，是面试中的必备优化手段。
滑动窗口算法示意图
算法核心思想
滑动窗口算法的本质是通过双指针（左指针left和右指针right）界定当前处理的区间，通过移动指针来扩大或缩小窗口范围，同时维护窗口内的状态信息。根据问题特性，滑动窗口可分为：
- 固定窗口：窗口大小固定，如"长度为k的子数组最大和"
- 可变窗口：窗口大小动态变化，如"最小覆盖子串"、"最长无重复子串"
通用解题模板
掌握以下三步模板，可解决大多数滑动窗口问题：
// 初始化窗口
int left = 0, right = 0;
// 用于记录窗口状态的数据结构
Map<Character, Integer> window = new HashMap<>();
// 结果变量
int result = 0;
while (right < s.length()) {
// 1. 移动右指针，扩大窗口
char c = s.charAt(right);
right++;
// 更新窗口状态
// 2. 当窗口满足条件时，移动左指针缩小窗口
while (window满足条件) {
// 更新结果
result = 计算当前结果;
char d = s.charAt(left);
left++;
// 更新窗口状态
}
}
return result;
模板关键点解析
- 窗口状态维护：根据问题需求选择合适的数据结构（HashMap/数组/计数器）
- 条件判断：明确窗口需要满足的条件（如包含所有目标字符、无重复元素等）
- 结果更新时机：在扩大或缩小窗口时适时更新最优解
实战案例分析
案例1：最小覆盖子串（LeetCode #76）
问题描述：给定字符串S和T，在S中找到包含T所有字符的最小子串，时间复杂度要求O(n)。
解题思路：使用可变窗口，通过HashMap记录目标字符出现次数，右指针扩大窗口直到包含所有字符，左指针缩小窗口找到最小长度。
public String minWindow(String s, String t) {
HashMap<Character, Integer> map = new HashMap<>();
// 初始化目标字符计数
for(char c : s.toCharArray()) map.put(c, 0);
for(char c : t.toCharArray()) {
if(map.containsKey(c)) map.put(c, map.get(c)+1);
else return ""; // 包含不存在的字符，直接返回空
}
int start = 0, end = 0, minStart = 0, minLength = Integer.MAX_VALUE;
int counter = t.length(); // 需要匹配的字符总数
while(end < s.length()) {
char c1 = s.charAt(end);
if(map.get(c1) > 0) counter--; // 找到一个需要匹配的字符
map.put(c1, map.get(c1) - 1);
end++;
// 当窗口包含所有目标字符时，尝试缩小窗口
while(counter == 0) {
// 更新最小窗口
if(end - start < minLength) {
minLength = end - start;
minStart = start;
}
char c2 = s.charAt(start);
map.put(c2, map.get(c2) + 1);
if(map.get(c2) > 0) counter++; // 窗口不再满足条件
start++;
}
}
return minLength == Integer.MAX_VALUE ? "" : s.substring(minStart, minStart + minLength);
}
完整代码实现：leetcode/string/MinimumWindowSubstring.java
案例2：无重复字符的最长子串（LeetCode #3）
问题描述：给定一个字符串，找出不含有重复字符的最长子串的长度。
解题思路：使用滑动窗口记录当前无重复子串，当遇到重复字符时，将左指针移动到重复字符的下一位。
public int lengthOfLongestSubstring(String s) {
if (s.length() == 0) return 0;
HashMap<Character, Integer> map = new HashMap<>();
int max = 0;
int left = 0;
for (int right = 0; right < s.length(); right++) {
char c = s.charAt(right);
// 如果字符已存在且位置在当前窗口内，则移动左指针
if (map.containsKey(c) && map.get(c) >= left) {
left = map.get(c) + 1;
}
map.put(c, right); // 更新字符位置
max = Math.max(max, right - left + 1); // 更新最大长度
}
return max;
}
完整代码实现：leetcode/string/LongestSubstringWithoutRepeatingCharacters.java
高频面试题分类训练
字符串类问题
-
找到字符串中所有字母异位词（LeetCode #438）
- 解题关键：固定窗口大小为模式串长度，滑动窗口比较字符频率
- 难度：中等
- 代码位置：leetcode/string/FindAllAnagramsInAString.java
-
最长重复字符替换（LeetCode #424）
- 解题关键：窗口内最多替换k个字符的最大长度
- 难度：中等
- 代码位置：leetcode/string/LongestRepeatingCharacterReplacement.java
数组类问题
-
长度为K的子数组最大和（LeetCode #53）
- 解题关键：固定窗口大小K，滑动过程中动态计算和
- 难度：简单
- 代码位置：leetcode/array/MaximumSubarraySum.java
-
滑动窗口最大值（LeetCode #239）
- 解题关键：使用双端队列维护窗口内最大值
- 难度：困难
- 代码位置：leetcode/array/SlidingWindowMaximum.java
性能优化技巧
-
使用数组代替HashMap：当处理字符或小范围整数时，使用数组（如int[256]）代替HashMap可减少哈希计算开销
// 优化前 Map<Character, Integer> map = new HashMap<>(); // 优化后（处理ASCII字符） int[] count = new int[256]; -
提前终止条件：在寻找最小窗口时，当窗口大小等于目标长度时可直接返回
-
批量移动指针：在某些情况下可计算出左指针需要移动的目标位置，实现跳跃式移动
总结与面试建议
滑动窗口算法是解决数组/字符串子序列问题的利器，掌握其核心思想和通用模板能显著提高解题效率。在面试中，遇到以下特征的问题可优先考虑滑动窗口：
- 问题涉及"子数组"、"子串"、"连续元素"
- 需要求"最大/最小长度"、"包含所有元素"等优化目标
- 暴力解法时间复杂度较高（O(n²)或以上）
建议通过以下步骤准备面试：
- 熟练掌握本文介绍的通用模板
- 完成LeetCode上标签为"滑动窗口"的题目（至少10题）
- 总结不同场景下的窗口状态维护方法
- 练习不看模板独立实现关键题目
滑动窗口算法的灵活性在于窗口状态的维护方式，需要通过大量练习培养对窗口状态的敏感度。记住：算法的本质是对状态的高效管理，而滑动窗口正是这一思想的完美体现。
扩展学习资源
- 官方文档：README.md
- 进阶题目集：company/google/
- 算法复杂度分析：GitHub_Trending_in_interviews_算法复杂度分析.md
祝大家面试顺利，拿下心仪Offer！如果觉得本文有帮助，请点赞收藏，关注作者获取更多算法面试技巧。下一篇我们将深入探讨动态规划在面试中的应用，敬请期待！
创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
