2-21 update
今天的每日一题,是求最长连续子序列,让其中任意的一对元素差值的绝对值小于给定元素。
一开始没读好题,就排序之后从两边缩小范围了,结果没通过,仔细看了才发现是按照原数组顺序TAT……
然后就想到了是单调队列,看了眼题解,果然
使用两个单调队列分别维护一个最大值和一个最小值,然后比较差值即可。
我的错误想法
#include <vector>
#include <algorithm>
using namespace std;
class Solution {
public:
int longestSubarray(vector<int>& nums, int limit) {
sort(nums.begin(), nums.end());
int i = 0, j = nums.size()-1;
while(i < j) {
if(nums[j] - nums[i] > limit) {
if(nums[j] - nums[j-1] < nums[i+1] - nums[i]) {
i++;
continue;
}
else {
j--;
continue;
}
}
else return j - i + 1;
}
return j - i + 1;
}
};
单调队列解法
class Solution {
public:
int longestSubarray(vector<int>& nums, int limit) {
deque<int> queMax, queMin;
int n = nums.size();
int left = 0, right = 0;
int ret = 0;
while (right < n) {
while (!queMax.empty() && queMax.back() < nums[right]) {
queMax.pop_back();
}
while (!queMin.empty() && queMin.back() > nums[right]) {
queMin.pop_back();
}
queMax.push_back(nums[right]);
queMin.push_back(nums[right]);
while (!queMax.empty() && !queMin.empty() && queMax.front() - queMin.front() > limit) {
if (nums[left] == queMin.front()) {
queMin.pop_front();
}
if (nums[left] == queMax.front()) {
queMax.pop_front();
}
left++;
}
ret = max(ret, right - left + 1);
right++;
}
return ret;
}
};
原 blog
从数据结构到算法课,我一直没搞懂这个单调队列的应用,碰巧今天的每日一题的题解中又遇到了,所以记录一下,以后在遇到别的题,也会补充进来
题目描述
给你一个整数数组 nums,有一个大小为 k 的滑动窗口从数组的最左侧移动到数组的最右侧。你只可以看到在滑动窗口内的 k 个数字。滑动窗口每次只向右移动一位。
返回滑动窗口中的最大值。
输入输出样例
一
输入:nums = [1,3,-1,-3,5,3,6,7], k = 3
输出:[3,3,5,5,6,7]
解释:
滑动窗口的位置 最大值
--------------- -----
[1 3 -1] -3 5 3 6 7 3
1 [3 -1 -3] 5 3 6 7 3
1 3 [-1 -3 5] 3 6 7 5
1 3 -1 [-3 5 3] 6 7 5
1 3 -1 -3 [5 3 6] 7 6
1 3 -1 -3 5 [3 6 7] 7
二
输入:nums = [1], k = 1
输出:[1]
三
输入:nums = [4,-2], k = 2
输出:[4]
要求
1 <= nums.length <= 10
-10 <= nums[i] <= 10
1 <= k <= nums.length
题解
优先队列
解法
对于「最大值」,我们可以想到一种非常合适的数据结构,那就是优先队列(堆),其中的大根堆可以帮助我们实时维护一系列元素中的最大值。
对于本题而言,初始时,我们将数组 nums
的前 k 个元素放入优先队列中。每当我们向右移动窗口时,我们就可以把一个新的元素放入优先队列中,此时堆顶的元素就是堆中所有元素的最大值。然而这个最大值可能并不在滑动窗口中,在这种情况下,这个值在数组 nums
中的位置出现在滑动窗口左边界的左侧。因此,当我们后续继续向右移动窗口时,这个值就永远不可能出现在滑动窗口中了,我们可以将其永久地从优先队列中移除。
我们不断地移除堆顶的元素,直到其确实出现在滑动窗口中。此时,堆顶元素就是滑动窗口中的最大值。为了方便判断堆顶元素与滑动窗口的位置关系,我们可以在优先队列中存储二元组 (num,index)
,表示元素 num
在数组中的下标为 index
。
代码
class Solution {
public:
vector<int> maxSlidingWindow(vector<int>& nums, int k) {
int n = nums.size();
priority_queue<pair<int, int>> q;
for (int i = 0; i < k; ++i) {
q.emplace(nums[i], i);
}
vector<int> ans = {q.top().first};
for (int i = k; i < n; ++i) {
q.emplace(nums[i], i);
while (q.top().second <= i - k) {
q.pop();
}
ans.push_back(q.top().first);
}
return ans;
}
};
复杂度分析
时间复杂度:
O(nlogn)
,其中n
是数组nums
的长度。在最坏情况下,数组nums
中的元素单调递增,那么最终优先队列中包含了所有元素,没有元素被移除。由于将一个元素放入优先队列的时间复杂度为O(logn)
,因此总时间复杂度为O(nlogn)
。空间复杂度:
O(n)
,即为优先队列需要使用的空间。这里所有的空间复杂度分析都不考虑返回的答案需要的O(n)
空间,只计算额外的空间使用。
单调队列解法
解法
我们可以顺着方法一的思路继续进行优化。
由于我们需要求出的是滑动窗口的最大值,如果当前的滑动窗口中有两个下标 i
和 j
,其中 i
在 j
的左侧(i<j
),并且 i
对应的元素不大于 j
对应的元素(nums[i] ≤ nums[j]
),那么会发生什么呢?
当滑动窗口向右移动时,只要 i
还在窗口中,那么 j
一定也还在窗口中,这是 i
在 j
的左侧所保证的。因此,由于 nums[j]
的存在,nums[i]
一定不会是滑动窗口中的最大值了,我们可以将 nums[i]
永久地移除。
因此我们可以使用一个队列存储所有还没有被移除的下标。在队列中,这些下标按照从小到大的顺序被存储,并且它们在数组 nums
中对应的值是严格单调递减的。因为如果队列中有两个相邻的下标,它们对应的值相等或者递增,那么令前者为 i
,后者为 j
,就对应了上面所说的情况,即 nums[i]
会被移除,这就产生了矛盾。
当滑动窗口向右移动时,我们需要把一个新的元素放入队列中。为了保持队列的性质,我们会不断地将新的元素与队尾的元素相比较,如果前者大于等于后者,那么队尾的元素就可以被永久地移除,我们将其弹出队列。我们需要不断地进行此项操作,直到队列为空或者新的元素小于队尾的元素。
由于队列中下标对应的元素是严格单调递减的,因此此时队首下标对应的元素就是滑动窗口中的最大值。但与方法一中相同的是,此时的最大值可能在滑动窗口左边界的左侧,并且随着窗口向右移动,它永远不可能出现在滑动窗口中了。因此我们还需要不断从队首弹出元素,直到队首元素在窗口中为止。
为了可以同时弹出队首和队尾的元素,我们需要使用双端队列。满足这种单调性的双端队列一般称作「单调队列」。
class Solution {
public:
vector<int> maxSlidingWindow(vector<int>& nums, int k) {
int n = nums.size();
deque<int> q;
for (int i = 0; i < k; ++i) {
while (!q.empty() && nums[i] >= nums[q.back()]) {
q.pop_back();
}
q.push_back(i);
}
vector<int> ans = {nums[q.front()]};
for (int i = k; i < n; ++i) {
while (!q.empty() && nums[i] >= nums[q.back()]) {
q.pop_back();
}
q.push_back(i);
while (q.front() <= i - k) {
q.pop_front();
}
ans.push_back(nums[q.front()]);
}
return ans;
}
};
复杂度分析
时间复杂度:
O(n)
,其中n
是数组nums
的长度。每一个下标恰好被放入队列一次,并且最多被弹出队列一次,因此时间复杂度为O(n)
。空间复杂度:
O(k)
。与方法一不同的是,在方法二中我们使用的数据结构是双向的,因此「不断从队首弹出元素」保证了队列中最多不会有超过k+1
个元素,因此队列使用的空间为O(k)
。
鸣谢
以上两种解法均来自leet的官方题解,感谢,让我对单调队列好像有懂了一点点(x
传送门
来源:力扣(LeetCode)
链接:https://leetcode-cn.com/problems/sliding-window-maximum
著作权归领扣网络所有。商业转载请联系官方授权,非商业转载请注明出处。