题目

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 。

示例 1:

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
示例 2:

输入:nums = [1], k = 1
输出:[1]

提示:

1 <= nums.length <= 10^5
-10^4 <= nums[i] <= 10^4
1 <= k <= nums.length

思路

239. 滑动窗口最大值 - 图1题时需要用到这个题的知识,先回来复习一下。

相对容易想到的解法是使用一个优先队列来维护滑动窗口的值,要求最大值就使用大顶堆,堆顶的就是要求的。比较难处理的是,随着窗口的滑动,堆顶的值有可能不在滑窗之内,那么我们在求最大值之前将其移出去,而且因为滑窗只会往右滑,所以这个值之后也不会用到,所以可以放心的移出去。

另一个不太好想的优化解法是单调队列,我们观察到,如果对于「当前滑窗里」的239. 滑动窗口最大值 - 图2239. 滑动窗口最大值 - 图3,有239. 滑动窗口最大值 - 图4239. 滑动窗口最大值 - 图5,那么239. 滑动窗口最大值 - 图6一定不会作为「当前滑窗」的最大值,也不会作为以后的最大值。其实这在第一种解法里“一个元素被永久移除出去堆”这一点也有所体现。那么我们维护一个单调递减的数据结构,不在里面的数一定不会作为「当前」滑窗的最大值。由于我们一边从右边添加新元素,一边从左边移除不符合条件的元素,因此这是一个队列,而且是单调递减的。和优先队列方法一样,对于队头不在滑窗内的元素要永久移除出去。

代码

优先队列

  1. class Solution {
  2. public int[] maxSlidingWindow(int[] nums, int k) {
  3. int len = nums.length;
  4. int[] res = new int[len - k + 1];
  5. PriorityQueue<int[]> maxHeap = new PriorityQueue<>((pair1, pair2) -> pair1[0] == pair2[0] ? pair2[1] - pair1[1] : pair2[0] - pair1[0]);
  6. for (int i = 0; i < len; ++i) {
  7. maxHeap.offer(new int[]{nums[i], i});
  8. while (maxHeap.peek()[1] <= i - k) {
  9. maxHeap.poll();
  10. }
  11. if (i >= k - 1) {
  12. res[i - k + 1] = maxHeap.peek()[0];
  13. }
  14. }
  15. return res;
  16. }
  17. }

单调队列

  1. class Solution {
  2. public int[] maxSlidingWindow(int[] nums, int k) {
  3. int n = nums.length;
  4. int[] ans = new int[n - k + 1];
  5. Deque<Integer> deque = new ArrayDeque<>();
  6. for (int i = 0; i < n; i++) {
  7. while (!deque.isEmpty() && nums[i] >= nums[deque.peekLast()]) {
  8. deque.pollLast();
  9. }
  10. deque.offerLast(i);
  11. if (i >= k - 1) {
  12. while (i - deque.peekFirst() > k - 1) {
  13. deque.pollFirst();
  14. }
  15. ans[i - k + 1] = nums[deque.peekFirst()];
  16. }
  17. }
  18. return ans;
  19. }
  20. }