C/C++滑动窗口算法深度解析与实战指南

引言

滑动窗口算法是解决数组/字符串连续子序列问题的利器，通过动态调整窗口边界，将暴力解法的O(n²)时间复杂度优化至O(n)。本文将系统讲解滑动窗口的核心原理、C/C++实现技巧及经典应用场景，助您掌握这一高效算法。

一、算法核心原理

1.1 窗口双指针模型

左右指针 ：使用left和right指针界定窗口边界
动态调整 ：
- 扩展窗口：右指针右移扩大窗口范围
- 收缩窗口：当条件不满足时左指针右移缩小窗口
状态维护：通过哈希表/数组记录窗口内元素状态

1.2 两种窗口类型

窗口类型	特点	典型场景
固定窗口	窗口大小恒定	滑动平均值、固定长度子数组
可变窗口	窗口大小动态调整	最长无重复子串、最小覆盖子串

二、C/C++实现详解

2.1 固定窗口实现模板

cpp 复制代码

int fixedWindow(vector<int>& nums, int k) {
    int sum = 0, max_sum = 0;
    // 初始化窗口
    for (int i = 0; i < k; ++i) sum += nums[i];
    max_sum = sum;
    
    // 滑动窗口
    for (int right = k; right < nums.size(); ++right) {
        sum += nums[right] - nums[right - k];  // 滚动更新
        max_sum = max(max_sum, sum);
    }
    return max_sum;
}

2.2 可变窗口实现模板

cpp 复制代码

int variableWindow(string s) {
    unordered_map<char, int> window;
    int left = 0, max_len = 0;
    
    for (int right = 0; right < s.size(); ++right) {
        char c = s[right];
        window[c]++;  // 扩展窗口
        
        // 收缩条件：出现重复字符
        while (window[c] > 1) {
            char d = s[left];
            window[d]--;  // 移出左边界
            left++;
        }
        max_len = max(max_len, right - left + 1);  // 更新结果
    }
    return max_len;
}

三、经典问题解析

3.1 无重复字符的最长子串（LeetCode 3）

cpp 复制代码

int lengthOfLongestSubstring(string s) {
    vector<int> char_map(128, -1);  // ASCII映射表
    int max_len = 0, left = 0;
    
    for (int right = 0; right < s.size(); ++right) {
        if (char_map[s[right]] >= left) {
            left = char_map[s[right]] + 1;  // 跳跃收缩
        }
        char_map[s[right]] = right;  // 更新最新位置
        max_len = max(max_len, right - left + 1);
    }
    return max_len;
}

3.2 最小覆盖子串（LeetCode 76）

cpp 复制代码

string minWindow(string s, string t) {
    unordered_map<char, int> need, window;
    for (char c : t) need[c]++;
    
    int left = 0, valid = 0, start = 0, min_len = INT_MAX;
    for (int right = 0; right < s.size(); ++right) {
        char c = s[right];
        if (need.count(c)) {
            window[c]++;
            if (window[c] == need[c]) valid++;
        }
        
        // 收缩窗口
        while (valid == need.size()) {
            if (right - left + 1 < min_len) {
                min_len = right - left + 1;
                start = left;
            }
            char d = s[left++];
            if (need.count(d)) {
                if (window[d] == need[d]) valid--;
                window[d]--;
            }
        }
    }
    return min_len == INT_MAX ? "" : s.substr(start, min_len);
}

四、性能优化技巧

4.1 空间优化

数组替代哈希表 ：当字符集确定时（如ASCII），使用数组存储频次
cpp 复制代码
```
int char_count[128] = {0};  // 替代unordered_map
```

4.2 时间优化

跳跃收缩：发现重复元素时直接跳转到重复位置+1
提前终止：当窗口长度已达理论最大值时break

五、复杂度分析

场景	时间复杂度	空间复杂度
固定窗口	O(n)	O(1)
可变窗口（哈希表）	O(n)	O(Σ)
可变窗口（数组）	O(n)	O(1)

六、应用场景拓展

字符串处理：
- 字母异位词检测
- DNA序列分析
- 回文子串查找
数组问题：
- 最大连续1的个数
- 乘积小于K的子数组
- 股票买卖时机分析
数据流处理：
- 实时移动平均值计算
- 异常值检测

七、常见错误避坑指南

指针越界 ：确保left <= right且right < n
状态残留：窗口收缩后需及时更新状态变量
循环条件 ：可变窗口必须使用while收缩而非if
初始值设置：max_len应初始化为0而非INT_MIN

结语

滑动窗口算法通过精妙的指针操作，将复杂度从平方级别降至线性，是解决连续子序列问题的首选方案。掌握其核心思想与实现技巧，您将能高效解决LeetCode 3、76、209等经典题目。建议通过大量练习加深理解，特别是对窗口收缩条件的判断和状态维护的细节处理。