面试经典150题——串联所有单词的子串(困难)

"Opportunities don't happen, you create them." ​

- Chris Grosser

gray concrete road between brown and green leaf trees at daytime

1. 题目描述

2.  题目分析与解析

2.1 思路一——暴力求解

遇见这种可能刚开始没什么思路的问题,先试着按照人的思维来求解该题目。对于一个人来讲,我想要找到 s 字符串中包含 words 中所有字符串以任意顺序排列连接起来的子串的开始索引,那么我可能会有这种思路:

// 初始化wordsAndCount
for (String word : words) {wordsAndCount.put(word, wordsAndCount.getOrDefault(word, 0) + 1);
}

  • 遍历字符串 s

  • 对于每一个字符开头的与words中字符串长度相同的子串,尝试在words中匹配

    • 如果匹配成功,就需要将words中当前字符串删除,下一次就从当前字符 + words[i].length处开始继续匹配,以此循环,直到words为空,记录起始下标。

    • 如果匹配失败,从下一个字符处继续重新匹配。

  • 同时需要注意由于words中可能有相同的单词,因此我们需要记录如果是相同单词其出现的次数,这样就方便在遍历时删除,只需要将对应的值减一,当减到0就从words中删除该单词即可。初始化可以按照如下方式:

但是显然这种方法非常的耗时,因为对于每一个S字符串的字符你都需要查找是否匹配,最坏的情况下需要走完words的总长度,因此总遍历为S的长度 N 乘以 words的长度 M。但是起码我们能够解决问题,这能给我们一点自信再去想怎么优化,所以遇到问题先想想人怎么解决,没有思路的情况下就先不要太在意时间复杂度。

我按照如下的代码运行如预期会超时:

2.2 思路二——滑动窗口

对于这种一块一块的内容去对比的问题,我们应该敏锐的去想能不能用滑动窗口解决。刚好我在这也稍微总结一下什么情况下可以使用滑动窗口来解决,这样我们遇到新的题目就能更快速的想到可能的解决办法,再去尝试。

滑动窗口思想运用场景

滑动窗口技术是一种用于解决数组或列表相关问题的算法策略,特别适用于需要处理连续数据段的问题。这种技术广泛应用于各种场景,尤其是在需要优化时间和空间复杂度的场合。

  1. 最大/最小子数组问题:当你需要找到数组中某个大小的连续子数组,使得其和最大或最小时,滑动窗口技术可以有效地解决问题。

  2. 固定大小的问题:对于需要处理固定大小窗口的问题,如计算给定大小的窗口内的平均值、最大值或最小值,滑动窗口是一个理想的解决方案。

  3. 可变大小的问题:对于窗口大小不固定的问题,如找到数组中和至少为K的最短子数组,滑动窗口技术可以通过动态调整窗口大小来寻找最优解。

  4. 字符串匹配问题:在处理字符串时,如查找字符串中包含所有字符的最短子串,滑动窗口能够有效地跟踪字符出现的情况。

  5. 计数问题:当需要计数或统计特定条件下的连续子数组(或子序列)数量时,滑动窗口可以在遍历数组的同时维护这些统计信息。

  6. 双指针问题:在一些双指针问题中,滑动窗口可以视为一种特殊的双指针实现,尤其是当问题涉及到连续序列或子数组时。

  7. 连续序列问题:需要找到满足特定条件的连续序列时,如和为特定值的连续正数序列,滑动窗口提供了一种高效的解决方案。

滑动窗口技术之所以强大,是因为它能够在遍历数据的同时,通过调整窗口的大小或位置来动态地聚焦于问题的特定部分,从而在保持算法效率的同时减少不必要的重复计算。在解决这类问题时,滑动窗口不仅能够提供优化的解决方案,还能帮助理解和分析数据的连续性质。

回到题目

根据我的理解,其实滑动窗口的核心思想

  • 就是把已经遍历过的内容存储在窗口里,这样对于下一次的遍历能够重复使用,减少再次遍历的开销。

而如果我们明确了使用滑动窗口来解决题目,那么我们就需要从以下几点着手:

  1. 窗口的大小:我们想把窗口指定多大比较合适?

  2. 窗口的移动:窗口可以向前“滑动”,每次移动可以是一步也可以是多步,这取决于问题的具体要求。窗口的移动使得算法能够逐步遍历整个数据集。我们应该怎么设置窗口的移动规则?

  3. 数据的复用:当窗口移动时,一些数据会从窗口中移出,同时会有新的数据加入到窗口中。窗口内的这些数据可以被复用来计算新的结果,从而避免了对已经遍历过的数据进行重复的计算。那我们怎么在这个问题中复用数据?

  4. 动态调整:窗口的大小是否需要动态调整?对于某些问题,窗口的大小可以根据特定的条件动态调整,比如在寻找满足条件的最小子序列长度时。这种动态调整能够帮助算法更加灵活地应对不同的问题需求。

根据上面几个点,我们可以一一来回答,但首先我们先回过头看看暴力解法为什么那么慢?

原因就是我每一次从一个字符开始,明明后面的很多内容遍历过了,但是在第二次for循环时我们还需要从第二个字符开始,重新走之前走的内容。因此我们就可以想一想是不是就可以指定一个窗口,用来容纳那些已经走过的地方,等到下一次遍历,我就直接使用这个窗口的数据。

但是这个窗口存什么呢?

窗口中存储的就是我们上一次for循环走过的尝试与words中内容进行匹配的数据,匹配不成功自然是从下一个位置开始,但是如果匹配成功了,那么下一次遍历我们就可以不需要再次匹配窗口中的数据

因此就可以回答上面提出的几点问题了:窗口大小动态变化,窗口的移动一次移动一个words[i]的长度,但是这样还不够,因为如果每次跳过words[i].length个字符的话,我们对于每一个words[i]长度内部的起始位置我们会忽视掉,因为正如前几篇滑动窗口讲得一样,虽然滑动窗口很高效,但是它并没有偷懒,也就是它并没有忽视对每个位置的判断,只是将判断的过程简化了。如果我们以words[i]的长度为步长,会得到下图:

就是一个一个红色的框,但是我们忽视了如下紫色和绿色的框的起始位置的判断:

但是幸运的是,只需要words[i]个长度的框,就会出现重复的框,如下:

虽然可能解释起来用话说并不是特别清晰,但是通过图片我想大家应该知道是什么意思。因此我们的窗口就可以分为words[i].length类,比如 words = ["ab","cd","ef"],因为words[i].length = 2,所以定义2个窗口,就可以覆盖所有的范围。

接下来我们来考虑窗口如何利用数据:

如上图所示,对于字符串S遍历过程中,指定三个窗口,如果能够匹配成功words中的某一个单词,就扩充窗口,这样在下一次遍历到窗口一类型的起始点的时候,如上紫色框所示内容就已经知道是能够匹配成功的,就无需再进行匹配,只需要判断黄色框是否能匹配即可。

因此我们基本可以得到如下的代码思路:(定义 words[i].length = n

  1. 初始化,定义 n 个窗口,同时定义 n 个hashMap,用来存储words中的单词及其出现的个数(也可以放在每一次的外层for循环中)

  2. 外层for循环遍历窗口的个数(n个)

  3. 内层循环遍历不同的开头,比如对于窗口一,其遍历起始位置集合为:{ 0, 0 + n, 0 + 2n ...... }。移动右指针,每次加入一个单词,对应的一个记录窗口内部的单词计数的hashMap对应位置也加一。

    • 如果当前单词对应窗口内部计数开始大于 存储words中的单词及其出现的个数,说明已经出现匹配不成功的情况了,因此就需要移动左指针,直到删除这个单词。

    • 如果窗口内单词的出现次数,也就是 right-left的长度等于 words 中的单词的总长,说明找到了一个解。因为我们先对窗口内部的单词进行了计数,如果大于存储words中的单词及其出现的个数是会移动左指针的,而当任意一个窗口内部的单词的数量小于存储words中的单词数量,那长度肯定是不匹配的,所以只有窗口内部每一个的单词的数量完全匹配words中的单词数量,也就是 right-left的长度等于 words 中的单词的总长,说明匹配成功!

3. 代码实现

3.1 暴力求解

运行结果如上所示会超时!

3.2 滑动窗口

4. 相关复杂度分析

为了分析这两种解法的时间和空间复杂度,我们假定一些基本参数:

  • 假设字符串s的长度为N

  • 假设单词数组words包含M个单词,每个单词的长度为L

  • 因此,所有单词串联形成的字符串长度是M*L

4.1 暴力解法的复杂度分析

时间复杂度

  • 对于字符串s中的每个字符,算法尝试匹配所有单词串联形成的子串。

  • 对于每个起始位置,算法最坏情况下需要比较M*L长度的字符串。

  • 因此,最坏情况下的时间复杂度是O(N*M*L)

空间复杂度

  • 需要一个HashMap来存储words中单词及其出现的次数,其空间复杂度为O(M)

  • 每次循环时,都会创建一个wordsAndCount的副本,因此空间复杂度保持为O(M)

4.2 滑动窗口解法的复杂度分析

时间复杂度

  • 由于窗口的滑动是线性的,并且每个字符最多被访问两次(一次加入窗口,一次从窗口移除),这个复杂度可以优化为O(N)

空间复杂度

  • 使用了两个HashMap来存储words中单词及其出现次数以及当前窗口内单词及其出现次数,空间复杂度为O(M)

4.3 总结

  • 暴力解法的时间复杂度较高,为O(N*M*L),空间复杂度为O(M)

  • 滑动窗口解法通过优化遍历过程,将时间复杂度降低到O(N),空间复杂度保持为O(M)

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.hqwc.cn/news/469430.html

如若内容造成侵权/违法违规/事实不符,请联系编程知识网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

论文阅读-面向机器学习的云工作负载预测模型的性能分析

论文名称:Performance Analysis of Machine Learning Centered Workload Prediction Models for Cloud 摘要 由于异构服务类型和动态工作负载的高变异性和维度,资源使用的精确估计是一个复杂而具有挑战性的问题。在过去几年中,资源使用和流…

智能汽车行业产业研究报告:4D成像毫米波雷达—自动驾驶最佳辅助

今天分享的是智能汽车系列深度研究报告:《智能汽车行业产业研究报告:4D成像毫米波雷达—自动驾驶最佳辅助》。 (报告出品方:开源证券) 报告共计:43页 视觉感知最佳辅助——4D 成像毫米波雷达 感知是自动…

证明之缺角正方形网格的铺地砖问题

缺角正方形网格的铺地砖问题 “挑战难题:多米诺骨牌与无法覆盖的方格” 这里有个著名的难题。画八横八纵正方形网格,去掉相对的两个角。你能用多米诺骨牌形状的地砖——每一块正好覆盖两个相邻方格,把剩余部分覆盖吗?我在下图中…

PR:导入素材到Premiere

“项目”面板中右键选择导入,或在空白处双击选择素材,或者将素材直接拖至“项目”面板中。 导入PSD文件,可以选择多个层,可合并导入,也可分层导入 导入序列素材

kali无线渗透之wps加密模式和破解12

WPS(Wi-Fi Protected Setup,Wi-Fi保护设置)是由Wi-Fi联盟推出的全新Wi-Fi安全防护设定标准。该标准推出的主要原因是为了解决长久以来无线网络加密认证设定的步骤过于繁杂之弊病,使用者往往会因为步骤太过麻烦,以致干脆不做任何加密安全设定&…

101.网游逆向分析与插件开发-网络通信封包解析-解读聊天数据包并且利用Net发送

内容参考于:易道云信息技术研究院VIP课 上一个内容:C还原网络通信系统发送功能 码云地址(游戏窗口化助手 分支):https://gitee.com/dye_your_fingers/sro_-ex.git 码云版本号:c78a135393b36cc4a6a6956b1…

尚硅谷最新Node.js 学习笔记(一)

目录 一、Nodejs入门 1.1、为什么要学习Nodejs? 1.2、Nodejs是什么? 1.3、Nodejs的作用 1.4、Nodejs安装 1.5、Nodejs初体验 1.6、编码注意事项 二、Buffer(缓冲器) 2.1、概念 2.2、特点 2.3、使用 创建Buffer Buffe…

php基础学习之运算符(重点在连接符和错误抑制符)

运算符总结 在各种编程语言中&#xff0c;常用的运算符号有这三大类&#xff1a; 算术运算符&#xff1a;&#xff0c;-&#xff0c;*&#xff0c;/&#xff0c;%位运算符&#xff1a;&&#xff0c;|&#xff0c;^&#xff0c;<<&#xff0c;>>赋值运算符&…

近视眼选什么台灯比较好?分享四款适合考研使用的台灯

作为一名“四眼族”&#xff0c;对眼镜的不便深有体会&#xff1a;夏天出汗易下滑&#xff0c;冬天镜面爱上霜&#xff0c;久戴眼疲劳&#xff0c;摘镜世界花~这其中的苦楚我想大家都懂&#xff0c;而且一旦戴上眼镜再想摘下来就十分困难&#xff01;如今生活节奏越来越快&…

Covalent Network与卡尔加里大学建立合作,推动区块链技术创新

​Covalent Network&#xff08;CQT&#xff09;作为领先的 Web3 数据索引器和提供者&#xff0c;宣布已经与卡尔加里大学达成了具备开创性意义的合作&#xff0c;此次合作标志着推动区块链数据研究和可访问性的重要里程碑。卡尔加里大学是首个以验证者的身份加入 Covalent Net…

奇异值分解(SVD)

对于一个方阵而言&#xff0c;采用的是特征分解&#xff0c;参考《矩阵特征值分解&#xff08;EVD&#xff09;-CSDN博客》

LeetCode “AddressSanitizer:heat-use-after-free on address“问题解决方法

heat-use-after-free &#xff1a; 访问堆上已经被释放的内存地址 现象&#xff1a;同样代码在LeetCode上报错&#xff0c;但是自己在IDE手动打印并不会报错 个人猜测&#xff0c;这个bug可能来源于LeetCode后台输出打印链表的代码逻辑问题。 问题描述 题目来自LeetCode的8…